torch.nn.Conv2d类实现了对特征图的2D卷积，是搭建卷积网络时最常用的层之一。在使用时，我们需要关注下列参数：

1. in_channels与out_channels

in_channels与out_channels控制了特征图四个维度[B, C, H, W]中的通道数C，是确定参数形状所必须的。

2. kernel_size

kernel_size声明了卷积核的大小。可以传入一个整数，代表正方形卷积核的边长，也可以传入一个形如(H, W)的tuple，从而定义长方形的卷积核。kernel_size越大，此卷积层的感受野越大，从而使模型获得更多上下文信息。如果将kernel_size设为1，此层可看作一个全连接层，可以方便地修改特征图的通道数。

3. stride, padding, padding_mode, dilation, bias

stride参数控制了卷积操作的步长，可以是一个整数，也可以一个是tuple，对横纵方向的步长分别控制。padding参数控制了对输入特征图的边缘填充，而padding_mode参数声明了填充方法(默认为’zeros’, 可选’reflect’, ‘replicate’, ‘circular’)。bias参数控制是否使用偏置，默认为True。

dilation参数控制空洞卷积，默认为1，即不使用空洞卷积。在实际应用中，使用空洞卷积能提供更大的感受野，从而获得更多上下文以及空间信息。相比起增大卷积核，空洞卷积的优势在于不增加参数量，效率更高。常见于语义分割网络，如DeepLab系列的SSP、ASPP。

4. 尺寸计算

官方文档提供了尺寸计算方法：

当然，在实际使用时，要想检查输入输出的尺寸，直接打印张量的形状即可，不需要自行计算。

5. 使用例

以下是一个使用torch.nn.Conv2d的简单例子：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(kernel_size=3, in_channels=3, out_channels=32)
        self.linear1 = nn.Linear(in_features=4*32*62*62, out_features=2)

    def forward(self, x):
        x = self.conv1(x)
        print(x.shape)
        x = x.view(-1)
        x = self.linear1(x)
        return x

model = Net()
a = torch.randn(4,3,64,64)
print(model(a).shape)

#输出
torch.Size([4, 32, 62, 62])
torch.Size([2])

在上面的代码中，我们建立了一个名为Net的Module类作为模型，包含一个卷积层和一个全连接层。我们定义了一个尺寸为[4, 3, 32, 32]的张量作为模型输入，获得了一个尺寸为[2]的输出。