當我們安裝好pytorch的依賴環境以後，我們就可以學習pytorch了，我們首先引入依賴包如下：
import torch
import torchvision as tv
import torch.nn as nn
接下來我們主要講述nn.Conv2d 的卷積運算函數，nn.Conv2d的功能是：對由多個輸入平面組成的輸入信號進行二維卷積，以最簡單的例子進行說明：
layer = nn.Conv2d(in_channels=1,out_channels=3,kernel_size=3,stride=1,padding=0)
參數理解：(畫重點!)
in_channels:個人認爲有兩種理解
1）輸入通道數，對於圖片層一般爲1（灰度）3（RGB）
2）定義一種輸入規則，要求上一層的輸出必須和這個輸入一致，也可以理解爲併發in_channels個channel在上一層 . feature_map(特徵映射)上進行卷積運算
out_channels:
1)直觀理解是輸出層通道數，
2)換一種理解是kernels（卷積核）個數，其中，每個卷積核會輸出局部特徵，比如下圖中
面部中有頭髮feature，衣服顏色的feature都是由不同的kernel進行卷積運算得到的。
看了上面的內容，你或許會有這個疑問如果in_channels也就是說輸入的feature也要包含3個channel的tensor（ndarray）對的 或許你會問，那如果out_channels是2,那怎麼從3-->變成2的？
下圖是詳細的原理圖：
（補充：上述說的是kernel1的運算，有多少個kernel就有多少個相同的運算，最終會輸出[b,out_channels,w,h],其中w和h是輸出的shape，下文有講計算方法）
stride(步長)：控制cross-correlation的步長，可以設爲1個int型數或者一個(int, int)型的tuple。
padding(補0)：控制zero-padding的數目。
dilation(擴張)：控制kernel點（卷積核點）的間距; 也被稱爲 "à trous"算法. 可以在此github地址查看:Dilated convolution animations
groups(卷積核個數)：這個比較好理解，通常來說，卷積個數唯一，但是對某些情況，可以設置範圍在1 —— in_channels中數目的卷積核：
output_size 運算
1）試想，在沒有padding（邊緣填充）的情況下，有卷積操作如下
layer = nn.Conv2d(in_channels=1,out_channels=3,kernel_size=3,stride=1,padding=0)
如果輸入的圖像是1張大小是28*28的灰度圖像
x = torch.rand(1,1,28,28)
卷積核每次移動1（stride=1）最大可以移動26個值到達邊緣，因此輸出是1張3通道的26*26的圖像1*3*26*26
2）如果每次移動2（stride= 2），是不是隻要經過13次運算就到了邊緣所以輸出結果是 1*3*13*13
layer = nn.Conv2d(in_channels=1,out_channels=3,kernel_size=3,stride=2,padding=0)
3)如果增加了邊緣補充（padding=1）
layer = nn.Conv2d(in_channels=1,out_channels=3,kernel_size=3,stride=1,padding=1)
原始圖像可以理解爲30*30的大小，圖像需要移動30-（kernelsize-1）=28 步輸出是1*3*28*28 相同大小的圖像
如果每次移動兩步（stride=2）
layer = nn.Conv2d(in_channels=1,out_channels=3,kernel_size=3,stride=2,padding=1)
需要移動((28+1*2）-（3-1))/2 =14 也就是輸出大小是1*3*28*28 ，哈哈哈是不是發現了什麼規律呢？
大家可以根據我運算的過程總結如下公式：
接下來請推導下經典網絡的卷積過程！
堅持一件事情或許很難，但堅持下來一定很酷！^_^