torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, b

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

卷积核与原图按照左上角对齐的原则进行卷积操作

stride：步幅，卷积核两次卷积左上角点之间的距离；通俗讲就是卷积核每隔几个像素进行一次卷积操作；stride默认值为1，可以以一个整数的形式或者元组的形式给出，以一个整数给出的时候，默认高和宽上的stride相同，以一个元组给出时，高宽的stride可以设置为不同值；

padding：=0时，不填充，原图与卷积核进行卷积；=1时，在原图四边填充一行（一列），具体填充的数据由padding_mode控制，一般填0）

dilation：默认值为1，扩充卷积；指的是卷积核元素之间的距离，默认为1时，卷积前后图片尺寸计算公式：

代入就是平常常用的
O=(I+2p-f)/s+1

groups:默认为1，从输入通道到输出通道的连接块数，对输入输出通道进行分组，分为groups组，=2时，一次卷积操作的效果相当于两层卷积层并排在一起，每一层负责输入通道的一半，负责输出通道的一半，然后将两部分输出concatenate到一起；=in_channels，就是所谓的逐通道卷积（depthwise convolution）每个通道的卷积核数为输出通道数与输入通道数的比。

bias:偏差，会在网络训练后向传播过程中，给输出加上一个学得的偏差，默认为true