1.卷积层
在PyTorch中针对卷积操作的对象和使用的场景不同，如有1维卷积、2维卷积、
3维卷积与转置卷积（可以简单理解为卷积操作的逆操作），但它们的使用方法比较相似，都可以从torch.nn模块中调用，需要调用的类如表2-4所示。

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')

参数说明
in_channels：输入数据的通道数。例如，对于 RGB 图像，in_channels=3。
out_channels：输出数据的通道数，即卷积核的数量。
kernel_size：卷积核的大小，可以是一个整数（表示正方形卷积核），也可以是一个元组（表示矩形卷积核）。例如，kernel_size=3 或 kernel_size=(3, 5)。
stride：卷积核移动的步长，默认为 1。可以是一个整数（表示水平和垂直方向的步长相同），也可以是一个元组（分别表示水平和垂直方向的步长）。
padding：输入数据的填充大小，默认为 0。可以是一个整数（表示水平和垂直方向的填充相同），也可以是一个元组（分别表示水平和垂直方向的填充）。填充的作用是增加输入数据的边界，使卷积操作后输出的尺寸更大或保持不变。
dilation：卷积核的扩张率，默认为 1。可以是一个整数（表示水平和垂直方向的扩张率相同），也可以是一个元组（分别表示水平和垂直方向的扩张率）。扩张率用于增加卷积核的感受野。
groups：分组卷积的组数，默认为 1。当 groups > 1 时，输入通道和输出通道会被分成若干组，每组分别进行卷积操作。
bias：是否为卷积层添加偏置项，默认为 True。
padding_mode：填充模式，默认为 ‘zeros’，表示用零填充。其他可选值包括 ‘reflect’ 和 ‘replicate’。

input：import torch
import torch.nn as nn

# 创建一个 Conv2d 实例
conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

# 创建一个输入张量（模拟一个 3 通道的 28x28 图像）
input_tensor = torch.randn(1, 3, 28, 28)  # (batch_size, channels, height, width)

# 使用卷积层对输入张量进行卷积操作
output_tensor = conv_layer(input_tensor)

print("输入张量的形状：", input_tensor.shape)
print("输出张量的形状：", output_tensor.shape)
output：输入张量的形状: torch.Size([1, 3, 28, 28])

1.1 填充层
填充（Padding） 是一种重要的操作，通常用于卷积层（Conv2d）和池化层（MaxPool2d、AvgPool2d 等）。填充的主要目的是在输入数据的边界上添加额外的值（通常是零），以控制卷积或池化操作后的输出尺寸在前面介绍的卷积操作中，可以发现经过卷积后，输出特征映射的尺寸会变小，卷积后的结果中损失了部分值，输入图像的边缘被“修剪”掉了，这是因为边缘上的像素永远不会位于卷积核中心，而卷积核也不能扩展到边缘区域以外。如果还希望输入和输出的大小应保持一致，需要在进行卷积操作前，对原矩阵进行边界填充（padding），也就是在矩阵的边界上填充一些值，以增加矩阵的大小。虽然卷积操作可以使用填充参数0进行边缘填充，但是在PyTorch中还提供了其他的填充函数，可以完成更复杂的填充任务，例如反射填充、复制填充等。针对不同的填充方式，下面使用2维矩阵的2D填充为例，展示了不同方法的填充效果，如图2-3所示


1.2 激活函数
。PyTorch提供了十几种激活函数层所对应的类，但常用的激活函数通常为S型
（Sigmoid）激活函数、双曲正切（Tanh）激活函数、线性修正单元（ReLU）激活函数等。常激活函数类和功能如表2-7所示。


1.3 归一化函数
归一化函数可以放置在卷积层和激活函数之间，也可以在激活函数之后。具体位置取决于所使用的归一化方法和网络架构的设计.常用的归一化函数层分别为批量归一化、组归一化、层归一化以及样本归一化。在图2-5中展示了各种归一化函数层的作用维度示意图，其中N表示数据中的batch（批量）维度，C表示channel（通道）维度，阴影部分表示要归一化为相同均值和方差的内容。

2.池化层
池化会选取一定大小区域，将该区域内的像素值使用一个代表元素表示。如果使用平均值代替，称为平均值池化，如果使用最大值代替则称为最大值池化。这两种池化方式的示意图如图2-2所示
在PyTorch中， 提 供 了 多 种 池 化 的 类， 分 别 是 最 大 值 池 化（MaxPool）、 最大 值 池 化 的 逆 过 程（MaxUnPool）、 平 均 值 池 化（AvgPool）与 自 适 应 池 化（AdaptiveMaxPool、AdaptiveAvgPool）等。并且均提供了1维、2维和3维的池化操作。具体的池化类和功能如表2-5所示。

input：#定义最大池化层
max_pool=nn.MaxPool2d(kernel_size=2,stride=2,padding=0)
#创建一个输入张量（模拟一个3通道的8*8图像）
input_tensor=torch.randn(1,3,8,8)#（batch_size,channels,height,width)
output_tensor=max_pool(input_tensor)
print("输入张量的形状：", input_tensor.shape)
print("输入张量的形状：", output_tensor.shape)
output:输入张量的形状： torch.Size([1, 3, 8, 8])
输入张量的形状： torch.Size([1, 3, 4, 4])

3.全连接层
它的作用是把输入的特征进行“混合”和“转换”，生成新的特征，最终用于分类或回归任务。
全连接层通常由两部分组成：
a.线性变换（nn.Linear）：把输入特征转换成输出特征。
b.激活函数：在输出上应用非线性激活函数，比如 ReLU、Sigmoid 等，增加模型的非线性能力

torch.nn.Linear(in_features, out_features, bias=True)

input:#创建一个全连接层
fc_layer=nn.Linear(in_features=3,out_features=2,bias=True)
#创建一个输入张量（模拟一个人的身高、体重、年龄）
input_tensor=torch.tensor([[175.0,70.0,25.0]])
#应用全连接层
output_tensor=fc_layer(input_tensor)
import torch.nn.functional as F
#应用激活函数
activated_output=F.relu(output_tensor)
print("输入张量的形状：",input_tensor.shape)
print("输入张量的形状：",output_tensor.shape)
print("输入张量的形状：",activated_output)
output:输入张量的形状： torch.Size([1, 3])
输入张量的形状： torch.Size([1, 2])
输入张量的形状： tensor([[87.3310, 44.2483]], grad_fn=<ReluBackward0>)