def __init__(
        self,
        in_channels: int,
        out_channels: int,
        kernel_size: _size_2_t,
        stride: _size_2_t = 1,
        padding: _size_2_t = 0,
        dilation: _size_2_t = 1,
        groups: int = 1,
        bias: bool = True,
        padding_mode: str = 'zeros'  # TODO: refine this type
    ):

in_channels：网络输入的通道数。
out_channels：网络输出的通道数。
kernel_size：卷积核的大小，如果该参数是一个整数q，那么卷积核的大小是qXq。
stride：步长。是卷积过程中移动的步长。默认情况下是1。一般卷积核在输入图像上的移动是自左至右，自上至下。如果参数是一个整数那么就默认在水平和垂直方向都是该整数。如果参数是stride=(2, 1),2代表着高（h）进行步长为2，1代表着宽（w）进行步长为1。
padding：填充，默认是0填充。
dilation：扩张。一般情况下，卷积核与输入图像对应的位置之间的计算是相同尺寸的，也就是说卷积核的大小是3X3，那么它在输入图像上每次作用的区域是3X3，这种情况下dilation=0。当dilation=1时，表示的是下图这种情况。

groups：分组。指的是对输入通道进行分组，如果groups=1，那么输入就一组，输出也为一组。如果groups=2，那么就将输入分为两组，那么相应的输出也是两组。另外需要注意的是in_channels和out_channels必须能整除groups。
bias：偏置参数，该参数是一个bool类型的，当bias=True时，表示在后向反馈中学习到的参数b被应用。
padding_mode：填充模式， padding_mode=‘zeros’表示的是0填充
。
二、通过调整参数来感受这些参数
1、结果1

import torch
import torch.nn as nn

# 输入是一个N=20，C=16，H=50，W=100的向量
m = nn.Conv2d(16, 33, 3, stride=2)
input = torch.randn(20, 16, 50, 100)
output = m(input)

print(output.size())

一张图片 X，其大小为 X.shape = [N, C, H, W], 其中 N 表示batch size；C表示 feature maps 的数量，又称之为通道数；H 表示图片的高度，W表示图片的宽度

在nn.Conv2d()中第一个参数要和输入的通道数相同（16）。在nn.Conv2d()中第二个参数表示输出的通道数。输出中N=20不变，C=33。通过3X3的卷积核、步长为2，50X100的输入变成了24X49。

torch.Size([20, 33, 24, 49])