**前置知识：
1、张量和通道
张量：多维数组，用来表示数据（图像、视频等）
通道：图像数据的一部分，表示不同的颜色或特征层
通道只是张量的其中一个维度
以一张RGB图像为例，
该图像数据可以用一个三维张量（shape等于（C,H,W））来表示
其中C表示通道数（对于RGB图像，C=3），H表示高度，W表示宽度
再以一批64张图像组成的数据对象来看，
它可以用一个四维张量（shape等于（N,C,H,W））来表示
其中N表示批次大小（一批次图像的数量）
关于通道的补充：
2、Reshape：输入数据和卷积核张量的重塑
input = torch.reshape(input, (1, 1, 5, 5))
- 1：第一个
1表示有 1 张图片（批量大小） - 1：第二个
1表示输入的通道数（这里是单通道，表示灰度图像） - 5 和 5：分别表示图像的高度和宽度
kernel = torch.reshape(kernel, (1, 1, 3, 3))
- 1：第一个
1表示有 1 个卷积核（输出通道数） - 1：第二个
1表示卷积核的输入通道数（与input的输入通道数匹配） - 3 和 3：分别表示卷积核的高度和宽度
通过重塑，增加的信息主要是关于批量大小和通道数，
这使得输入和卷积核符合 conv2d 函数的要求
（输入张量必须是四维的，形状为 (N, C, H, W)，
卷积核（权重）必须是四维的，形状为 (out_channels, in_channels, kernel_height, kernel_width)：）
补充：
一张2*2RGB图像与一个3*3卷积核的卷积：
reshape后：
input的形状是（1，3，2，2），1表示1张图片
卷积核的形状是（1，3，3，3），1表示1个输出通道
3、output=F.conv2d(input,kernel,stride=1,padding=1)
| input | 输入张量（4维） |
| kernel | 卷积核（4维） |
| stride | 卷积核移动的步幅（可以是一个整数或元组，默认为 1） |
| padding | 在输入的边缘添加零填充（帮助保持输出的空间尺寸） |
**代码：
步骤：
import torch.nn.functional as F
定义input、kernel——>修改成四维形状reshape——>使用conv2d进行卷积
灰度图像的卷积：帮助识别图像中的特定特征，如边缘或纹理
import torch
import torch.nn.functional as Finput=torch.tensor([[1,2,0,3,1],[0,1,2,3,1],[1,2,1,0,0],[5,2,3,1,1],[2,1,0,1,1]
])#卷积核
kernel=torch.tensor([[1,2,1],[0,1,0],[2,1,0]
])print(input.shape)
print(kernel.shape)input=torch.reshape(input,(1,1,5,5)) #图片数，图层数（通道数），宽，高
kernel=torch.reshape(kernel,(1,1,3,3))print(input.shape)
print(kernel.shape)output1=F.conv2d(input,kernel,stride=1)
print(output1)output2=F.conv2d(input,kernel,stride=2)
print(output2)output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)
