1、nn.Conv2d#
PyTorch 中用于实现 二维卷积层（2D Convolutional Layer）的类
重要参数
- in_channels
输入数据的通道数（例如 RGB 图像是 3，灰度图是 1） - out_channels
输出的通道数，表示 卷积核的个数。
# 假设你有一个 RGB 图像（3 个通道），大小为 32×32：
conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, padding=1)
# 你得到的输出形状为：[batch_size, 16, 32, 32]
- kernal_size
卷积核大小，一般为 3 ⇌ (3,3) 或 5 ⇌ (5,5), 也可以是 (3,5) 等。 - stride
卷积核移动步长，控制输出特征图的尺寸。ex：2，(3,5) - padding
在输入边界补零的数量，控制输出特征图的空间大小。 - bias
是否添加偏置项，默认为 True。
2、nn.MaxPool2d#
PyTorch 中用于实现 二维最大池化层（2D Max Pool Layer）的类
填充 padding 和 步幅 stride 和 nn.Conv2d 一样。
没有可学习的参数
ex：
nn.MaxPool2d(3)
・kernel_size=3：表示使用一个 3x3 的窗口在输入特征图上滑动。
默认：
・stride=kernel_size，即窗口每次滑动 3 个像素（非重叠池化）。和nn.Conv2d默认参数不同。
・padding=0，不做边缘填充。
3、LeNet#
早期成功的神经网络