卷積神經網絡(Convolutional Neural Networks，CNN) 網絡的組件：卷積層，池化層，激活層和全連接層。

CNN主要由以下層構造而成：

• 卷積層：Convolutional layer（CONV）
• 池化層：Pooling layer （POOL）
• 激活層：Activation Layer
• 全連接層：Fully Connected layer（FC）

?卷積層：Convolutional layer（CONV）：

常用的卷積（Conv2d）在pytorch中對應的函數是：

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

• in_channels (int) – 參數代表輸入特征矩陣的深度即channel，比如輸入一張RGB彩色圖像，那in_channels=3
• out_channels (int) – 參數代表卷積核的個數，使用n個卷積核輸出的特征矩陣深度即channel就是n
• kernel_size (int or tuple) – 參數代表卷積核的尺寸，輸入可以是int類型如3 代表卷積核的height=width=3，也可以是tuple類型如(5, 3)代表卷積核的height=5，width=3
• stride (int or tuple, optional) – 參數代表卷積核的步距默認為1，和kernel_size一樣輸入可以是int類型，也可以是tuple類型
• padding (int, tuple or str, optional) – 參數代表在輸入特征矩陣四周補零的情況默認為0，同樣輸入可以為int型如1 代表上下左右補一圈0，如果輸入為tuple型如(2, 1) 代表在上方補兩行下方補兩行，左邊補一列，右邊補一列。padding[0]是在H高度方向兩側填充的，padding[1]是在W寬度方向兩側填充的。如果要實現更靈活的padding方式，可使用nn.ZeroPad2d方法。
• dilation (int or tuple, optional)– 空洞卷積，參數代表kernel內的點（卷積核點）的間距，默認為1，取值方式類似padding。
• bias (bool, optional) – 參數表示是否使用偏置（默認使用）
• groups (int, optional) – 分組卷積的組數，能減少參數和正則化效果。默認為1，也即都在1個組內。

?實際應用中，dilation相對較少，因此特征圖的邊長公式一般可以簡化如下：