②PyTorch中的卷积层和池化层应当如何调⽤函数实现？如何设置窗⼝⼤⼩、填充和步⻓？

在PyTorch中，卷积层和池化层可以通过`torch.nn`模块中的相应类来实现。具体来说，可以使用`torch.nn.Conv2d`来实现卷积层，使用`torch.nn.MaxPool2d`或`torch.nn.AvgPool2d`来实现池化层。

下面是一个使用`torch.nn.Conv2d`实现卷积层的例子：

import torch.nn as nn

# 定义一个卷积层，输入通道数为3，输出通道数为16，卷积核大小为3*3，步长为1，填充为1
conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

# 定义一个输入张量，大小为batch_size*3*32*32，其中batch_size为批大小
input_tensor = torch.randn(batch_size, 3, 32, 32)

# 将输入张量传入卷积层中进行计算
output_tensor = conv_layer(input_tensor)

其中，`in_channels`表示输入张量的通道数，`out_channels`表示输出张量的通道数，`kernel_size`表示卷积核的大小，`stride`表示步长，`padding`表示填充。

下面是一个使用`torch.nn.MaxPool2d`实现池化层的例子：

import torch.nn as nn

# 定义一个池化层，池化窗口大小为2*2，步长为2
pool_layer = nn.MaxPool2d(kernel_size=2, stride=2)

# 将输入张量传入池化层中进行计算
output_tensor = pool_layer(input_tensor)

其中，`kernel_size`表示池化窗口大小，`stride`表示步长。

需要注意的是，对于卷积层和池化层，输入张量的维度应该为(batch_size, channels, height, width)，其中`batch_size`表示批大小，`channels`表示通道数，`height`表示高度，`width`表示宽度。如果输入张量维度不符合要求，可以使用`torch.unsqueeze`来增加维度。

如果需要设置不同的窗口大小、填充和步长，可以在调用相应函数时进行设置，如：

# 定义一个卷积层，输入通道数为3，输出通道数为16，卷积核大小为5*5，步长为2，填充为2
conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=5, stride=2, padding=2)