介紹
目前存在許多的深度學習庫和平臺（如Tensorflow、Keras、Pytorch、Caffe或Theano），在這篇文章中，我將嘗試列出所有這些參數，以了解它們對計算時間、訓練參數數量和卷積輸出通道大小的影響。
輸入形狀：（3，7，7）-輸出形狀：（2，3，3）-K：（3，3）-P：（1，1）-S：（2，2）-D：（2 ，2）— G：1
這篇文章的各部分將根據以下參數進行劃分。這些參數可以在Conv2d模塊的Pytorch文檔中找到：
in_channels（int）—輸入圖像中的通道數out_channels（int）—卷積產生的通道數kernel_size（int或元組）—卷積核的大小stride（int或tuple，可選）—卷積的步長。默認值：1padding（int或tuple，可選）—在輸入的兩側都添加了零填充。默認值：0dilation（int或tuple，可選）—核元素之間的間距。默認值：1groups（int，可選）—從輸入通道到輸出通道的blocked connections數量。默認值：1bias（布爾值，可選）—如果為True，則將可學習的偏差添加到輸出中。默認：True最後，我們將根據參數和輸入通道的大小計算輸出通道的大小。
什麼是核？
簡單來說，通過應用Convolution product，核將從左到右，從上到下移動整個圖像。
輸入形狀：（1，9，9）-輸出形狀：（1，7，7）-K：（3，3）-P：（0，0）-S：（1，1）-D：（1 ，1）— G：1
如果你還不熟悉濾波器和卷積矩陣，那麼我強烈建議你多花點時間來理解卷積核。它們是二維卷積層的核心。
可訓練參數和偏差
可訓練參數，簡稱「參數」，是神經網絡訓練時需要更新的所有參數。在Conv2d中，可訓練元素是組成核的值。對於3×3的卷積核，我們有3*3=9個可訓練的參數。
我們可以包含偏差，也可以不包含。偏差的作用將加到convolution product的總和上。這個偏差也是一個可訓練的 參數，它使3 x 3核的可訓練參數數量增加到了10。
輸入輸出通道數
輸入形狀：（1，7，7）-輸出形狀：（4，5，5）-K：（3，3）-P：（0，0）-S：（1，1）-D：（1 ，1）— G：1
使用層的好處是能夠在同一時間執行類似的操作。換句話說，如果我們想要對一個輸入通道應用4個相同大小的不同的filters，那麼我們將有4個輸出通道。這些通道是4個不同的filters的結果。因此產生於4個不同的核。
在上一節中，我們看到了可訓練參數是構成卷積核的要素。因此參數的數量隨卷積核的數量線性增加。因此與所需輸出通道的數量成線性關係。還要注意，還要注意，計算時間也與輸入通道的大小成比例地變化，與內核的數量成比例地變化。
同樣的原理也適用於輸入通道的數量。讓我們考慮RGB編碼圖像的情況。這幅圖像有3個通道:紅色，藍色和綠色。我們可以決定在這3個通道上使用相同大小的filters來提取信息，以獲得4個新通道。
輸入形狀：（3，7，7）-輸出形狀：（4，5，5）-K：（3，3）-P：（0，0）-S：（1，1）-D：（1 ，1）— G：1
每個輸出通道都是經過過濾的輸入通道的和。對於4個輸出通道和3個輸入通道，每個輸出通道都是3個經過過濾的輸入通道的和。換句話說，卷積層由4*3=12個卷積核組成。
需要注意的是，參數的數量和計算時間與輸出通道的數量成比例地變化。這是因為每個輸出通道都連結到不同於其他通道的核。輸入通道的數量也是如此。計算時間和參數數量成比例增長。
核大小
到目前為止，所有示例都給出了3 x 3大小的核。實際上，其大小的選擇完全取決於您。可以創建核心大小為1 * 1或19 * 19的卷積層。
輸入形狀：（3，7，9）-輸出形狀：（2，3，9）-K：（5，2）-P：（0，0）-S：（1，1）-D：（1 ，1）— G：1
可以使用不同高度和寬度的核。在信號圖像分析中通常是這種情況。如果知道要掃描信號或聲音的圖像，那麼我們可能希望使用5 * 1大小的核。
最後，您會注意到所有大小均由奇數定義。定義均勻的核大小也是可以接受的，實際上，很少這樣做。通常，選擇奇數大小的核是因為在中心像素周圍存在對稱性。
由於卷積層的所有可訓練參數都在核中，因此參數的數量隨核的大小線性增長。計算時間也成比例地變化。
Strides
默認情況下，核從左到右，從下到上，從一個像素移動到另一個像素。但是這個動作也可以改變，通常用於對輸出通道進行下採樣。例如，當步長為(1,3)時，兩個數分別代表了垂直滑動和水平滑動步長值。這將產生水平下採樣3的輸出通道。
輸入形狀：（3，9，9）-輸出形狀：（2，7，3）-K：（3，3）-P：（0，0）-S：（1，3）-D：（1 ，1）— G：1
Strides對參數的數量沒有影響，但是計算時間在邏輯上隨Strides線性減少。
Padding
Padding定義在卷積濾波之前添加到輸入通道側面的像素數量。通常，padding像素設置為零。
輸入形狀：（2，7，7）-輸出形狀：（1，7，7）-K：（3，3）-P：（1，1）-S：（1，1）-D：（1 ，1）— G：1
當您希望輸出通道的大小與輸入通道的大小相等時，這是非常有用的。簡單來說，當核為3*3時，輸出通道的大小每邊少1。為了解決這個問題，我們可以使用padding 1。
因此，padding對參數的數量沒有影響，但是會產生與padding的大小成比例的額外計算時間。但是通常來說，與輸入通道的大小相比，padding通常足夠小，可以認為對計算時間沒有影響。
Dilation
默認值為1，對應的是卷積時輸入通道上的核的每個像素之間的偏移量。
輸入形狀：（2，7，7）-輸出形狀：（1，1，5）-K：（3，3）-P：（1，1）-S：（1，1）-D：（4 ，2）— G：1
如果我們以（4，2）的Dilation為例，那麼輸入通道上核的感受野會在垂直方向上擴大了4 *（3 -1）= 8，水平方向是2 * (3–1)=4 （對於3乘3的核）。
就像padding一樣，Dilation對參數的數量沒有影響，對計算時間的影響非常有限。
Groups
在特定的情況下，Groups是非常有用的。例如，如果我們有幾個連接的數據源,當沒有相互依賴的時候,輸入通道可以獨立分組。最後，輸出通道在最後連接起來。
如果有2個輸入通道和4個輸出通道，有2組。這就像把輸入通道分成兩組(每組一個輸入通道)，然後使其經過卷積層，而卷積層的輸出通道數是原來的一半。然後將輸出通道連接起來。
輸入形狀：（2，7，7）-輸出形狀：（4，5，5）-K：（3，3）-P：（2，2）-S：（2，2）-D：（1 ，1）— G：2
重要的是要注意兩件事。首先，組的數量必須能整除輸入通道數和輸出通道數(公約數)。其次，每個組共享核。
對於Pytorch的計算時間，該算法針對組進行了優化，因此可以減少計算時間。但是，還應考慮必須用於組形成和連接輸出通道的計算時間。
輸出通道大小
在知道所有參數的情況下，可以根據輸入通道的大小計算輸出通道的大小。