nn.Conv2d卷积

二维卷积可以处理二维数据

1. nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True))
   参数：
     in_channel:　输入数据的通道数，例RGB图片通道数为3；
     out_channel: 输出数据的通道数，这个根据模型调整；
     kennel_size: 卷积核大小，可以是int，或tuple；kennel_size=2,意味着卷积大小(2,2)， kennel_size=（2,3），意味着卷积大小（2，3）即非正方形卷积
     stride：步长，默认为1，与kennel_size类似，stride=2,意味着步长上下左右扫描皆为2， stride=（2,3），左右扫描步长为2，上下为3；
     padding：　零填充
2. 例子
   输入数据X[10,16,30,32],其分别代表：10组数据，通道数为16，高度为30，宽为32

3. import torch
   import torch.nn as nn
   
   x = torch.randn(10, 16, 30, 32) # batch, channel , height , width
   print(x.shape)
   m = nn.Conv2d(16, 33, (3, 2), (2,1))  # in_channel, out_channel ,kennel_size,stride
   print(m)
   y = m(x)
   print(y.shape)

   torch.Size([10, 16, 30, 32])
   Conv2d(16, 33, kernel_size=(3, 2), stride=(2, 1))
   torch.Size([10, 33, 14, 31])

   h = floor((h - kennel_size + 2*padding) / stride )+ 1,w同理
   x = ([10,16,30,32]),其中h=30,w=32,对于卷积核长分别是 h:3，w:2 ；对于步长分别是h：2，w:1；padding默认0；
   h = (30 - 3 + 20)/ 2 +1 = 27/2 +1 = 13+1 =14
   w =(32 - 2 + 2*0)/ 1 +1 = 30/1 +1 = 30+1 =31
   batch = 10, out_channel = 33
   故： y= ([10, 33, 14, 31])