torch.nn 模块包含着 torch 已经准备好的层，方便使用者调用构建网络。以下内容介绍卷积层、池化层、激活函数层、循环层、全连接层的相关使用方法。
卷积层
卷积可以看作是输入和卷积核之间的内积运算，是两个实值函数之间的一种数学运算。在卷积运算中，通常使用卷积核将输入数据进行卷积运算得到输出作为特征映射，每个卷积核可获得一个特征映射。
使用卷积运算在图像识别、图像分割、图像重建等应用中有三个好处，即卷积稀疏连接、参数共享、等变表示，正是这些好处让卷积神经网络在图像处理算法中脱颖而出。
在卷积神经网络中，通过输入卷积核来进行卷积操作，使输入单元（图像或特征映射）和输出单元（特征映射）之间的连接是稀疏的，这样能够减少需要训练参数的数量，从而加快网络的计算速度。
卷积操作的参数共享特点，主要体现在模型中同一组参数可以被多个函数或操作共同使用。在卷积神经网络中，针对不同的输入会利用同样的卷积核来获得相应的输出。这种参数共享的特点是只需要训练一个参数集，而不需要对每个位置学习一个参数集合。由于卷积核尺寸可以远远小于输入尺寸，即减少需要学习的参数的数量，并且针对每个卷积层可以使用多个卷积核获取输入的特征映射，对数据（尤其是图像）具有很强的特征提取和表示能力，并且在卷积运算之后，使得卷积神经网络结构对输入的图像具有平移不变的特性。
在 pytorch 中针对卷积操作的对象和使用的场景不同，有一维卷积、二维卷积、三维卷积与转置卷积（可以简单理解为卷积操作的逆操作），但它们的使用方法比较相似，都可以从 torch.nn 模块中调用。
| 层对应的类 | 功能作用 |
|---|---|
| torch.nn.Conv1d() | 针对输入信号上应用 1D 卷积 |
| torch.nn.Conv2d() | 针对输入信号上应用 2D 卷积 |
| torch.nn.Conv3d() | 针对输入信号上应用 3D 卷积 |
| torch.nn.ConvTranspose1d() | 在输入信号上应用 1D 转置卷积 |
| torch.nn.ConvTranspose2d() | 在输入信号上应用 2D 转置卷积 |
| torch.nn.ConvTranspose3d() | 在输入信号上应用 3D 转置卷积 |
以 torch.nn.Conv2d() 为例，介绍卷积在图像上的使用方法，其调用方式为：
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
in_channels:（整数）输入图像的通道数
out_channels:（整数）经过卷积运算后，输出特征映射的数量
kernel_size:（整数或者数组）卷积核的大小
stride:（整数或者数组，正数）卷积的步长，默认为1
padding:（整数或者数组，正数）在输入两边进行 0 填充的数量，默认为 0
dilation:（整数或者数组，整数）卷积核元素之间的步幅，该参数可调整空洞卷积的空洞大小，默认为1
groups:（整数，整数）从输入通道到输出通道的阻塞连接数
bias:（布尔值，正数）如果 bias=True，则添加偏执，默认为 True
torch.nn.Conv2d() 输入的张量为 (N, Cin, Hin, Win) 输出的张量为 (N, Cout, Hout, Wout)
