1.BatchNorm2d

加速收斂：Batch Normalization 可以使每層的輸入保持較穩定的分布（接近標準正態分布），減少梯度更新時的震蕩問題，從而加快模型訓練速度。
減輕過擬合：批歸一化引入了輕微的正則化效果，因為它依賴于 mini-batch 中的統計信息，這種方式可以減少對單個樣本的過度擬合。
提高模型性能：在訓練過程中，Batch Normalization 通過動態調整激活值的分布，讓模型更容易適應數據，減少了對權重初始化的敏感性。

2. SELayer 是一種 通道注意力機制

旨在讓模型學會“關注哪些通道重要”，從而獲得更高的性能。
通常在卷積神經網絡（CNN）中使用，增強特征表達能力。
例如，一張圖片經過卷積后，每個通道可能代表某些特定的特征（比如顏色、邊緣等），SELayer 會告訴網絡“哪些通道更重要”。

3.卷積核和輸出通道數的關系

在 2D 卷積 (nn.Conv2d) 中：輸入通道數 (in_channels) 決定每個卷積核的深度。
輸出通道數 (out_channels) 決定有多少個卷積核（即生成多少個輸出通道）。
每個卷積核都會與所有輸入通道進行卷積計算，然后匯總（例如通過加權求和的方式）生成一個對應的 輸出通道。
?

4.激活函數：