重点：1.图片的通道数，卷积核的通道要一样。

           2.每个卷积核处理图片后，所有通道要相加，得到一个通道

一、单通道图片，单核处理：

卷积核也为单通道：【【1，0，1】

                                    【0，1，1】

                                    【1，0，1】】

二、多通道图片，单核处理：

三.3通道图片，2核处理，输出为2通道：

下面是用卷积层conv处理一个图片x的案例，卷积层可以理解为函数，本质是类

import torch

x = torch.randn(2,1 ,3,2)  （2张图片,通道数1单色，高3，宽2）

conv = torch.nn.Conv2d(1 ,8 ,(2,3) ) #此处创建一个卷积层。

输入通道数1，和上面x数据保持一致

 输出的通道  8，也就是核的个数，决定了输出数据的通道数，也可以理解为有8个核处理了图片输出8个矩阵。

y=conv(x)  #用卷积处理x返回y

y的shape为(2,8,?,?)  #还是2张,8通道,高,宽

下面是源代码可以测试：

#2d中所有数据一般都是4维度的

import torch

cov = torch.nn.Conv2d(3, 2, (3, 2), stride=1, padding=1, bias=False)

#（输入通道，核数，（高，宽）,滑动步长,周围补0的个数）

x=torch.ones((2,3,2,2))  #(图片张数，通道，高，宽)  #输入数据

y=cov(x)

print(y)

print("输出形状:",y.shape)   #(张数，通道，高，宽) 这个通道与cov的核数一致

print("权重形状",cov.weight.shape)

#总结：x 有2张图片，处理后 y还是2张，y的通道是卷积处理的结果，取决于卷积层核的数量