卷积神经网络（二）---PyTorch卷积模块

        PyTorch 作为一个深度学习库，卷积神经网络是其中一个最为基础的模块，卷积神经网络中所有的层结构都可以通过 nn 这个包调用，下面具体介绍如何调用每种层结构，以及每个函数中的参数。

卷积层

        nn.Conv2d() 就是 PyTorch 中卷积模块了，里面常用的参数有5个，分别是 in_channels，out_channels，kernel_size，stride，padding，除此之外还有参数dilation，groups，bias。下面来解释每个参数的含义。

        in_channels 对应的是输入数据体的深度；out_channels 表示输出数据体的深度；kernel_size 表示滤波器（卷积核）的大小，可以使用一个数字来表示高和宽相同的卷积核，比如 kernel_size=3，也可以使用不同的数字来表示高和宽不同的卷积核，比如kernel_size=(3, 2)；stride 表示滑动的步长；padding=0 表示四周不进行零补充，而 padding=1 表示四周进行 1 个像素点的零补充；bias 是一个布尔值，默认 bias=True，表示使用偏置；groups 表示输出数据体深度上和输入数据体深度上的联系，默认 groups=1，也就是所有的输出和输入都是相关联的，如果 groups=2，这表示输入的深度被分割成两份，输出的深度也被分割成两份，它们之间分别对应起来，所以要求输出和输入都必须要能被 groups 整除；dilation 表示卷积对于输入数据体的空间间隔，默认 dilation=1，可以直观地用图4.11表示。

池化层

        nn.MaxPool2d() 表示网络中的最大值池化，其中的参数有 kernel_size、stride、padding、dilation、return_indices、ceil_mode，下面解释一下它们各自的含义。

•  kernel_size，stride，padding，dilation之前卷积层已经介绍过了，是相同的含义；
• return_indices 表示是否返回最大值所处的下标，默认 return_indic