卷积神经网络(Convolutional Neural Networks，CNN) 网络的组件：卷积层，池化层，激活层和全连接层。
CNN主要由以下层构造而成：
- 卷积层：Convolutional layer（CONV）
- 池化层：Pooling layer （POOL）
- 激活层：Activation Layer
- 全连接层：Fully Connected layer（FC）
卷积层：Convolutional layer（CONV）：
常用的卷积（Conv2d）在pytorch中对应的函数是：
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)- in_channels (int) – 参数代表输入特征矩阵的深度即channel，比如输入一张RGB彩色图像，那in_channels=3
- out_channels (int) – 参数代表卷积核的个数，使用n个卷积核输出的特征矩阵深度即channel就是n
- kernel_size (int or tuple) – 参数代表卷积核的尺寸，输入可以是int类型如3 代表卷积核的height=width=3，也可以是tuple类型如(5, 3)代表卷积核的height=5，width=3
- stride (int or tuple, optional) – 参数代表卷积核的步距默认为1，和kernel_size一样输入可以是int类型，也可以是tuple类型
- padding (int, tuple or str, optional) – 参数代表在输入特征矩阵四周补零的情况默认为0，同样输入可以为int型如1 代表上下左右补一圈0，如果输入为tuple型如(2, 1) 代表在上方补两行下方补两行，左边补一列，右边补一列。padding[0]是在H高度方向两侧填充的，padding[1]是在W宽度方向两侧填充的。如果要实现更灵活的padding方式，可使用nn.ZeroPad2d方法。
- dilation (int or tuple, optional)– 空洞卷积，参数代表kernel内的点（卷积核点）的间距，默认为1，取值方式类似padding。
- bias (bool, optional) – 参数表示是否使用偏置（默认使用）
- groups (int, optional) – 分组卷积的组数，能减少参数和正则化效果。默认为1，也即都在1个组内。
实际应用中，dilation相对较少，因此特征图的边长公式一般可以简化如下：
