卷积神经网络
卷积神经网络可以认为是多个卷积层，池化层的堆叠，然后后面接全连接层，pytorch中对这些网络层进行了封装，我们可以直接使用：
卷积层：
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
参数解析：
in_channels：表示输入通道数
out_channels:表示输出通道数
kernel_size:表示卷积大小
stride：步长
padding：填充
dilation：(扩张)控制kernel点（卷积核点）的间距
grops：卷积核数量
bias：偏执
池化层：
class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
参数解析：
kernel_size(int or tuple) ：窗口大小可以为tuple，在nlp中tuple更多，（n,1）
stride(int or tuple, optional) ：步长。默认值是kernel_size
padding(int or tuple, optional) ：输入的每一条边补充0的层数
dilation(int or tuple, optional) ：一个控制窗口中元素步幅的参数
return_indices：如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助
ceil_mode：如果等于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
基于pytorch搭建卷积神经网络
代码解析：
这里有四个Sequential，其中前面三个是卷积层，然后后面一个是全连接层，我们随便拿出一个卷积层，我们来解释一下：
self.layer2=nn.Sequential( nn.Conv2d(16,32,kernel=3), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2,stride=2) )
这个表示输入数据的通道数为16，然后卷积核数量为32，也就是输出的通道数为32，然后卷积核的大小为3*3，步长为1（默认），padding为1，不填充（默认）
