pytorch常用函数总结（二）
卷积层nn.Conv2d()
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')
nn.Conv2d()是PyTorch中的卷积模块，参数如下：
in_channels：输入数据体的深度。
out_channels：输出数据体的深度。
kernel_size：滤波器（卷积核）的大小。表示相同高宽的滤波器 kernel_size=3；表示不同高宽的滤波器 kernel_size=(3, 2)。
stride：步长，默认为1。
padding：是否对周围进行零填充。默认为0，表示不填充。如果设置padding=1，则表示对四周进行1个像素点的零填充（padding_mode=‘zeros’）。
dilation：卷积对于输入数据体的空间间隔，默认为1。
groups：表示输出数据体深度上和输入数据体深度上的联系，默认为1，也就是所有的输出和输入都是相关联的；如果groups=2，则表示输入的深度被分割成22份，输出的深度也被分割成2份，他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。
bias：默认为True，表示使用偏置。
池化层
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
kernel_size、stride、padding、dilation的参数含义和卷积层的一样。
其他参数（一般情况下下面这两个参数都不会设置）：
return_indices：表示是否返回最大值所处的下标。默认为False。
ceil_mode：表示使用一些方格代替层结构，默认为False。
PyTorch也提供了其他的池化层，在官方文档里面可以找到。
扁平化操作（view函数）
view()函数的功能是把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。
推荐阅读：(18条消息) Pytorch-view函数_哗啦呼啦嘿的博客-CSDN博客_view函数pytorch
我的总结：相当于numpy中resize()的功能。如果某一个参数为-1，则会自动计算。与permute函数比较。
squeeze函数，permute函数
x = x.squeeze() # 去掉 (batch, 1, 28, 28) 中的 1，变成 (batch, 28, 28) x = x.permute(2, 0, 1) # 将最后一维放到第一维，变成 (28, batch, 28)
squeeze函数用来去掉维数为1的部分；permute函数用于便于维度的位置。例如x = x.permute(2, 0, 1)将第三维放到第一维，第一维放到第二维，第二维放到第三维。
————————————————
版权声明：本文为CSDN博主「喵木木」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Jenny_oxaza/article/details/105677146
