nn.Conv2d
Conv2d 本质一句话:用多个卷积核扫描图像，提取特征。
Conv2d 输入必须是 4维张量：batch_size, in_channels, height, width。
例如：
x shape = (1, 3, 32, 32)
表示：
1张图片 3通道（RGB） 32x32大小
Conv2d：
nn.Conv2d(in_channels, out_channels, kernel_size)
例如：
conv = nn.Conv2d(3, 16, 3)
表示：输入通道 = 3输出通道 = 16卷积核大小 = 3×3
输出：
(1, 16, 30, 30)输出大小计算公式：
output_height =(input_height - kernel_size) + 1
Conv2d 权重结构（核心）
Conv2d 内部权重 shape：out_channels, in_channels, kernel_height, kernel_width
例如： conv = nn.Conv2d(3,16,3)
weight shape： (16, 3, 3, 3)
表示：16个卷积核每个卷积核：3通道每通道 3×3
卷积核结构可视化
kernel 1:channel 1:[ w11 w12 w13 ][ w14 w15 w16 ][ w17 w18 w19 ]channel 2:[ w21 ... ]channel 3:[ w31 ... ]
所以一个卷积核shape: (3, 3, 3)
卷积计算过程理解
输入对象数据：
1通道 4×4：[1 2 3 4][5 6 7 8][9 1 2 3][4 5 6 7]
卷积核： 3x3[1 0 0][0 1 0][0 0 1]计算左上角：
1×1 + 2×0 + 3×0
5×0 + 6×1 + 7×0
9×0 + 1×0 + 2×1= 1+6+2 = 9
得到输出像素。
总结
Conv2d 本质：
输入:
(batch, in_channels, H, W)权重:
(out_channels, in_channels, kernel, kernel)输出:
(batch, out_channels, H-k+1, W-k+1)