paddle Conv2D(num_channels=20, num_filters=20
学会看paddle 的文档解说：
（二维卷积层）主要用于对输入的特征图进行卷积操作，广泛用于深度学习网络中。Conv2D 根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）等参数计算输出特征层大小。输入和输出是 NCHW 或 NHWC 格式，其中 N 是 batchsize 大小，C 是通道数，H 是特征高度，W 是特征宽度。
一般就是输入通道和设置的输出通道数；
num_channels：输入通道
num_filters：滤波器就是卷积核。输出的图像就是通道乘以filter个数；
在手撕数字识别案例中
原来是7720=980，
输入1通道，输出40，2828的图像池化2次，池化：22的最后是7*7的图像；
有的输入通道是3，就是RGB
7740=1960 就是最后的参数，学习率是0.01 这样做效果好一点；
效果：
卷积神经网络的卷积核大小、个数，卷积层数如何确定呢？
下面的手写字卷积神经网络结构图1，最后输出为什么是12个map，即输出12个特征？然后图2又是输出10个特征了？
在达到相同感受野的情况下，卷积核越小，所需要的参数和计算量越小。
卷积核 1排除了。而大小为偶数的卷积核即使对称地加padding也不能保证输入feature map尺寸和输出feature map尺寸不变（画个图算一下就可以发现），2排除了。所以一般都用3作为卷积核大小。
每一层卷积有多少channel数，以及一共有多少层卷积，这些暂时没有理论支撑，一般都是靠感觉去设置几组候选值，然后通过实验挑选出其中的最佳值。这也是现在深度卷积神经网络虽然效果拔群，但是一直为人诟病的原因之一。
多说几句，每一层卷积的channel数和网络的总卷积层数，构成了一个巨大的超参集合，这个超参集合里的最优组合，很可能比目前业界各种fancy的结构还要高效。只是我们一来没有理论去求解这个超参集合里的最优，二来没有足够的计算资源去穷举这个超参集合里的每一个组合，因此我们不知道这个超参集合里的最优组合是啥。
