**前置知识：
1、nn.Conv2d和torch.nn.functional.conv2d的对比：
nn.Conv2d（能自主学习，更新调整卷积核）
- 模块：可以看作是一个“卷积层”，用在神经网络里。
- 定义一次，用多次：你只需设置好参数（比如输入通道、输出通道、卷积核大小），然后在每次前向传播时直接用它。
- 自动管理：这个模块会自动保存和更新卷积的权重（参数），你只需关注模型的整体结构。
torch.nn.functional.conv2d（一次性使用，卷积核的参数需要人为给好给全）
- 函数：可以想象成一个工具，用来执行一次性的卷积操作。
- 灵活使用：每次使用时都要提供所有需要的参数，比如输入数据、卷积核的权重和偏置。
- 无状态：这个函数不会保存卷积的参数，所以你得自己管理这些。
2、self.conv_1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)
定义了一个卷积层，输入为 3 通道的图像，经过 3x3 的卷积核处理后，输出 6 通道的特征图
in_channels=3
- 输入通道数：这里设置为 3，表示输入的图像有 3 个通道（例如 RGB 彩色图像）。每个通道对应图像中的一种颜色。
out_channels=6
- 输出通道数：设置为 6，表示该卷积层会输出 6 个通道的特征图。这意味着卷积层会学习到 6 种不同的特征。
kernel_size=3
- 卷积核大小：设置为 3，表示卷积核的尺寸为 3x3 像素。卷积核在输入图像上滑动，进行局部特征的提取。
stride=1
- 步幅：设置为 1，表示卷积核每次滑动一个像素。步幅越小，输出特征图的尺寸越大。
padding=0
- 填充：设置为 0，表示不对输入图像进行填充。没有填充会使输出特征图的尺寸减小。
**代码：
加载数据集——>数据Loader处理——>创建新神经网络模型（继承nn.Module并重写方法）——>数据输入reshape成4维度张量——>使用该模型进行计算——>数据结果reshape成3通道——>tensorboard记录
import torch
import torchvision
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWritertest_set=torchvision.datasets.CIFAR10(root="./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)dataloader=DataLoader(test_set,batch_size=64)class Xigua(nn.Module):def __init__(self):super().__init__()self.conv_1=Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)def forward(self,input):output=self.conv_1(input)return outputxigua1=Xigua()
print(xigua1)
#Xigua((conv_1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1)))writer=SummaryWriter("logs1")
step=0
for data in dataloader:imgs,targets=dataoutput=xigua1(imgs)print(imgs.shape) #torch.Size([64, 3, 32, 32])print(output.shape) #torch.Size([64, 6, 30, 30])#需要reshape，使其变为3通道，才能使add_imgs生效，torch.Size([64, 6, 30, 30])————>torch.Size([***, 3, 30, 30])output=torch.reshape(output,(-1,3,30,30)) #-1是一个占位符，表示让pytorch自动计算该维度的大小writer.add_images("test_Conv2d",output,step,dataformats="NCHW")writer.add_images("start",imgs,step,dataformats="NCHW")step=step+1if step>=10:break
writer.close()# AssertionError: assert I.ndim == 4 and I.shape[1] == 3