卷积神经网络
假设一张图片由28x28个像素块构成，每个像素块有一个值，称为灰度值，取值范围是0-255。而在深度学习中，我们用一个28x28的矩阵来存储图片信息，将0-255的灰度值转换为0-1之间的值。0代表全白，1代表全黑。图片存储的时候以0-255灰度值存储，而我们将图片载入到网络中时，转换成0-1，将灰度值除以255。
正常图片是彩色的，有R、G、B三个通道，于是要用3个矩阵存储RGB信息。
假设有3个隐藏层，每层256个节点，输入是由28x28展平的784个特征，输出10个预测标签。
参数量：784x256 + 256x256x2 + 256x10 = 334336
每一个参数用4字节浮点数表示
占用内存：334336x4 = 13373446 约为1.3MB
一次卷积得到一个特征图，只能获取一个特征。
多个卷积核，从不同的视角，比如提取人脸、边缘、模糊信息。
Input_channels：输入通道数
kernel_channels：卷积核数量
kernel_size：卷积核尺寸 （一般为3x3 5x5 1x1）
stride：步长
padding：填充，补0
layer = nn.Conv2d(1, 3, kernel_size = 3, stride = 1, padding = 0) # 第一个参数表示为输入通道数，第二个是指卷积核数量
out = layer.forward(x) 或 out = layer(x) 更推荐后者