无论有几个通道，卷积后的输出数据的形状是：二维。
二维卷积常用于计算机视觉、图像处理领域。
图中的输入的数据形状为14×14，过滤器形状为5×5，二者做卷积。步长为1时，输出的数据形状为10×10，即14−5+1=10。
上述内容没有引入channel的概念，也可以说channel的数量为1。
如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（14×14×3）。由于卷积操作中过滤器的channel数量必须与输入数据的channel数量相同，过滤器大小也变为5×5×3。在卷积的过程中，过滤器与数据在channel方向分别卷积，之后将卷积后的数值相加，最终输出的数据形状为10×10。输出依然是二维数据。

1.3 三维卷积

无论有几个通道，卷积后的输出数据的形状是：三维。
三维卷积常用于医学领域（CT影响），视频处理领域（检测动作及人物行为）。

第2章 Conv2d类说明

2.1 作用

在Pytorch中，用于的定义一个二维卷积层。

2.2 Conv2d的本质

Conv2d本质是一个模板类，其参数用于赋给构造函数，用于创建二维的卷积层。

2.3 类原型

Conv2d (in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

2.4 参数说明

in_channels：输入的通道数目【必选】
out_channels：输出的通道数目【必选】，决定了卷积的个数。
kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示高和宽。【必选】
stride：卷积每次滑动的步长为多少，默认是 1 【可选】
padding：设置在所有边界增加值为 0 的边距的大小（也就是在feature map 外围增加几圈 0 ），例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】

备注：

这里并没有指定特征输出的大小，特征输出的形状是有输入特征的形状、卷积核的形状、移动步长共同决定的，可以计算出来。

dilation：控制卷积核之间的间距，（什么意思？请看例子）【可选】，就是相邻两个卷积核元素的距离，默认为0，即相邻两个卷积核元素是仅仅相邻的，中间没有空隙。

如果我们设置的dilation=0的话，效果如图：（蓝色为输入，绿色为输出，卷积核为3 × 3）

如果设置的是dilation=1，那么效果如图：（蓝色为输入，绿色为输出，卷积核仍为 3 × 3 。）

这时候，卷积核的元素之间有一个空隙。

groups：控制输入和输出之间的连接。（不常用）【可选】

举例来说：

当groups 为1的时候，分为一组，即所有的输入都会连接到所有输出。
当groups 为2的时候，分为两组，并排放置两层，每层看到一半的输入通道并产生一半的输出通道，并且两者都是串联在一起的。这也是参数字面的意思：“组” 的含义。
需要注意的是，in_channels 和 out_channels 必须都可以整除 groups，否则会报错。

Alex就是把卷积核分层了两组，分别用不同的GPU上进行训练。