该函数的官方文档：

https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d 

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

参数

以下是参数释义：

• in_channels (int) – 输入图像的通道数
• out_channels (int) – 卷积生成的输出通道数
• kernel_size (int 或 tuple) – 卷积核的大小
• stride (int 或 tuple, 可选) – 卷积的步幅。默认值：1
• padding (int, tuple 或 str, 可选) – 在输入的四周添加的填充。默认值：0
• padding_mode (str, 可选) – 填充模式，可以为 'zeros'（零填充）、'reflect'（反射填充）、'replicate'（复制填充）或 'circular'（循环填充）。默认值：'zeros'
• dilation (int 或 tuple, 可选) – 卷积核元素之间的间隔。默认值：1
• groups (int, 可选) – 从输入通道到输出通道的分组连接数。默认值：1
• bias (bool, 可选) – 如果为 True，则为输出添加可学习的偏差项。默认值：True

注意：

• stride 控制卷积操作的步幅，可以是一个单一的数字或一个元组。

• padding 控制输入的填充量。可以是字符串 {‘valid’, ‘same’}，或者是一个整数 / 整数组成的元组，表示在两侧应用的隐式填充量。

• dilation 控制卷积核点之间的间距，也称为 à trous 算法。这个概念较难描述，不过此https://github.com/vdumoulin/conv_arithmetic/blob/master/gif/dilation.gif中有一个关于 dilation 的可视化展示。
  

• groups 控制输入与输出之间的连接。in_channels 和 out_channels 都必须能被 groups 整除。例如：

  • 当 groups=1 时，所有的输入都会与所有输出进行卷积。
  • 当 groups=2 时，操作等价于有两个并行的卷积层，每个卷积层分别处理一半的输入通道，生成一半的输出通道，然后将结果拼接起来。
  • 当 groups=in_channels 时，每个输入通道都有自己的一组卷积核（大小为 out_channels / in_channels）。

  • 当 groups == in_channels 且 out_channels == K * in_channels，其中 K 是一个正整数时，这种操作也被称为“深度卷积（depthwise convolution）”。

参数 kernel_size, stride, padding, dilation 可以是：

• 单个整数 —— 在这种情况下，高度和宽度维度使用相同的值。
• 两个整数组成的元组 —— 在这种情况下，第一个整数用于高度维度，第二个整数用于宽度维度。

Conv2d 输入输出关系/输出尺寸计算公式：