在pytorch中的官方文档（Conv2d — PyTorch 1.12 documentation），是这样描述Covn2d函数的。是在由多个输入平面组成的输入信号上应用 2D 卷积。其主要是对模型进行卷积，关于卷积就不多作解释，知乎有一篇介绍卷积的，介绍的很详细。如何通俗易懂地解释卷积？ - 知乎
卷积的用法：
Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)
卷积的几个主要参数
Parameters
- in_channels (int) – Number of channels in the input image
- out_channels (int) – Number of channels produced by the convolution
- kernel_size (int or tuple) – Size of the convolving kernel
- stride (int or tuple, optional) – Stride of the convolution. Default: 1
- padding (int, tuple or str, optional) – Padding added to all four sides of the input. Default: 0
- padding_mode (string, optional) –
'zeros','reflect','replicate'or'circular'. Default:'zeros'- dilation (int or tuple, optional) – Spacing between kernel elements. Default: 1
- groups (int, optional) – Number of blocked connections from input channels to output channels. Default: 1
- bias (bool, optional) – If
True, adds a learnable bias to the output. Default:True
这里面的参数比较多，但是如果不去设置，一般系统会给它莫认真
in_channels (int) --网络输入的通道数（必填）
out_channels (int) --经过卷积后，网络输出的通道数（必填）
kernel_size (int or tuple) --卷积核的大小，可以是个数也可以是元祖（必填）
stride (int or tuple, optional) --卷积的步幅（默认值是1），每次卷积移动的步长，一般卷积核在输入图像上的移动是自左至右，自上至下。如果参数是一个整数那么就默认在水平和垂直方向都是该整数。如果参数是stride=(2, 1),2代表着高（h）进行步长为2，1代表着宽（w）进行步长为1。（选填）
padding (int, tuple or str, optional) -- 设置在所有边界增加 值为 0 的边距的大小（也就是在feature map 外围增加几圈 0 ），例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【选填】
padding_mode (string, optional) – 填充模式， padding_mode=‘zeros’表示的是0填充。默认是‘zero’。填充的几个选择 'zeros', 'reflect', 'replicate' 或 'circular'。（选调）
dilation (int or tuple, optional) –控制卷积核之间的间距，默认值是1（可选）
groups (int, optional) –控制输入和输出之间的连接。默认值是1（可选）当 groups 为1，那么所有的输入都会连接到所有输出。当 groups 为 2的时，相当于将输入分为两组，并排放置两层，每层看到一半的输入通道并产生一半的输出通道，并且两者都是串联在一起的。需要注意的是，in_channels 和 out_channels 必须都可以整除 groups，否则会报错
bias (bool, optional) --偏置，该类型是个布尔值，如果是True,则偏置被应用，否则，该偏置不被使用。默认是True (可选）
相关形状
示例操作
Conv2d中常用的参数有in_channels, out_channels, kernel_size, stride, padding。
当in_channels =1 ，out_channels =1 ，此时，输入的图像是1 ，输出的图像是1.，那么此时只需要一个卷积核
当in_channels =1 ，out_channels =2，此时，输入的图像是1 ，输出的图像是2.，那么此时需要两个卷积核
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# 使用CIFAR10数据集
from torchvision import transforms
dataset_conv = torchvision.datasets.CIFAR10("./data", train=False, transform=transforms.ToTensor(), download=True)
# 将数据集放入dataloader中，让它进行加载
dataloder = DataLoader(dataset=dataset_conv, batch_size=64, shuffle=True, num_workers=0, drop_last=False)
class C2(nn.Module): # 创建一个Test类，继承nn.Module
def __init__(self):
super(C2, self).__init__() # 完成父类的初始化
self.conc1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0) # 在Test这个网络写入个卷积层
def forward(self, x):
x = self.conc1(x)
return (x)
# 初始化这个网络并输出
c2 = C2()
print(c2)
# 写入tensorboard中
writer = SummaryWriter("logs")
step = 0
for data in dataloder:
imgs, target = data
output = c2(imgs) # 输出的数据是经过神经网络处理的数据
print(output)
# 查看数据类型代码
print(output.shape)
print(imgs.shape)输出的结果是：
