1、torch.nn.Conv2d()
卷积层
用法：
Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)
参数：
in_channels：输入通道数【必填】，常见RGB图像输入通道数为3
out_channels：输出通道数【必填】，具体数值见网络结构
kernel_size：卷积核的大小，类型为int 或者元组，当卷积是正方形的时候，只需要一个整数边长即可，卷积不是正方形，要输入一个元组表示高和宽。【必填】，见具体网络结构
stride：步长，默认为1
padding：填充，设置在所有边界增加值为 0 的边距的大小，例如3*3结构，padding=1，变成5*5结构
dilation：卷积核之间间距，以3*3卷积核为例：
当dilation=0时：
当dilation=1时：
groups：控制输入和输出之间的连接。
bias： 是否将一个 学习到的 bias 增加输出中，默认是 True 。
padding_mode ： 字符串类型，“zeros” 或 “circular”。
2、torch.nn.MaxPool2d（）
最大池化层
用法：torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
参数：
kernel_size：最大池化窗口的尺寸
stride：步长，默认值为kernel_size
padding：填充
dilation：窗口中元素关系
return_indices ：若设为True，会返回输出最大值的序号，上采样操作会用到
ceil_mode ：若设为True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作
3、torch.nn.ReLU（）
线性整流函数
将输入小于0的值幅值为0，输入大于0的值不变。
4、torch.nn.Linear（）
全连接层
用法：torch.nn.Linear（in_features，out_features，bias=True）
5、torch.nn.Dropout（）
用法：torch.nn.Dropout（p）
p：丢弃多少（0.5-丢弃百分之五十）
