本文基于Pytorch框架下的API :Conv2d ()。 该函数用于二维输入，其他Conv1d ()、Conv3d () )，其输入分别为一维和三维。 对Conv2d () )的参数进行说明。
一、参数介绍
def_init_(self，in_channels: int，out_channels: int，kernel_size: _size_2_t，strid id dilalid bias: bool=True，padding _ mode 3360 str=' zeros ' # todo 3330 out _ channels :网络输出的通道数。 kernel_size :卷积内核的大小。 如果此参数为整数q，则卷积内核的大小为qXq。 stride :步长。 是在折叠过程中移动的步骤。 默认值为1。 一般卷积核在输入图像上的移动是从左到右，从上到下。 如果参数为整数，则缺省为水平和垂直整数。 如果参数为stride=(2，1 )，则2表示高(h )进度步骤为2，1表示宽度(w )进度步骤为1。 填充：填充。 默认值为0。 延迟：扩展。 通常，卷积内核和与输入图像对应的位置之间的计算大小相同。 也就是说，如果卷积内核的大小为3X3，则它每次在输入图像上作用的区域为3X3。 在这种情况下，dilation=0。 dilation=1时，显示如下图所示的状况。
groups :分组。 指定组合输入通道。 如果groups=1，则输入为一组，输出也为一组。 如果groups=2，则将输入分成两组，相应的输出也是两组。 另外，请注意，in_channels和out_channels必须被groups整除。 如果bias:bool类型且bias=True，则偏移参数，指示在后向反馈中学习的参数b将适用。 padding_mode :填充模式，padding _ mode=‘zeros’表示0填充。 二、通过调整参数感受这些参数
1、结果1
import torchimport torch.nn as nn#输入为N=20，C=16，H=50，W=100的向量m=nn.conv 2d (16，33，3，stride=2)输入nn.Conv2d ()中的第二个参数表示要输出的通道数。 输出保持N=20，C=33。 通过3X3的卷积核，步长为2,50x100的输入变为24X49。 torch.size ([ 20，33，24，49 ] ) 2，结果2
importtorchimporttorch.nnasnnm=nn.conv 2d (16，33，3，stride=(1，2 ) ) input=torch.randn ) 20，16，50，100
torch.size ([ 20，33，48，49 ] ) 3，结果3
importtorchimporttorch.nnasnnm=nn.conv 2d (16，33，(3，5 )，stride=2，padding=(4，2 ) ) input=torch.rand 这相当于输入为58X104。 )原始输入为50x 100 torch.size ([ 20、33、28、50] )三、总结
CNN2d ()是卷积神经网络的操作函数，知道函数中的参数是成功使用CNN的关键。