卷积Conv2D

        import torch.nn as nn

        # With square kernels and equal stride
        m = nn.Conv2d(3, 4, 3, stride=1, padding=1)
        #input = torch.randn(20, 3, 50, 100)
        input = torch.arange(1,97).reshape(2,3,4,4).float()

        output = m(input)
        print(m)
        print(input.shape)
        print(input)


# Conv2d(3, 4, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
# torch.Size([2, 3, 4, 4])
# tensor([[[[ 1.,  2.,  3.,  4.],
#           [ 5.,  6.,  7.,  8.],
#           [ 9., 10., 11., 12.],
#           [13., 14., 15., 16.]],

#          [[17., 18., 19., 20.],
#           [21., 22., 23., 24.],
#           [25., 26., 27., 28.],
#           [29., 30., 31., 32.]],

#          [[33., 34., 35., 36.],
#           [37., 38., 39., 40.],
#           [41., 42., 43., 44.],
#           [45., 46., 47., 48.]]],


#         [[[49., 50., 51., 52.],
#           [53., 54., 55., 56.],
#           [57., 58., 59., 60.],
#           [61., 62., 63., 64.]],

#          [[65., 66., 67., 68.],
#           [69., 70., 71., 72.],
#           [73., 74., 75., 76.],
#           [77., 78., 79., 80.]],

#          [[81., 82., 83., 84.],
#           [85., 86., 87., 88.],
#           [89., 90., 91., 92.],
#           [93., 94., 95., 96.]]]])
        

        
        import torch.nn as nn
        import torch

        m = nn.Conv2d(3, 2, 3, stride=1, padding=1)

        # 设置模式化的权重
        with torch.no_grad():
            # 第一个卷积核：检测水平特征
            m.weight.data[0, 0, :, :] = torch.tensor([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]).float()
            m.weight.data[0, 1, :, :] = torch.tensor([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]).float()  
            m.weight.data[0, 2, :, :] = torch.tensor([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]).float()
            
            # 第二个卷积核：检测垂直特征
            m.weight.data[1, 0, :, :] = torch.tensor([[1, 0, -1], [1, 0, -1], [1, 0, -1]]).float()
            m.weight.data[1, 1, :, :] = torch.tensor([[1, 0, -1], [1, 0, -1], [1, 0, -1]]).float()
            m.weight.data[1, 2, :, :] = torch.tensor([[1, 0, -1], [1, 0, -1], [1, 0, -1]]).float()
            
            m.bias.data = torch.zeros(2)

        input = torch.arange(1, 97).reshape(2, 3, 4, 4).float()
        print("原始输入数据:")
        print(f"输入形状: {input.shape}")
        print(input[0, 0])  # 第一张图片的R通道

        # 手动添加padding来查看padding后的矩阵
        def show_padded_matrix(input_tensor, padding=1):
            padded = torch.nn.functional.pad(input_tensor, (padding, padding, padding, padding), mode='constant', value=0)
            return padded

        # 对第一张图片的所有通道添加padding
        padded_input = show_padded_matrix(input[0], padding=1)
        print(f"\nPadding后的矩阵形状: {padded_input.shape}")

        print("\nPadding后的矩阵 (第一张图片):")
        for channel in range(3):
            print(f"\n通道 {channel} (R/G/B):")
            print(padded_input[channel])

        # 计算输出
        output = m(input)
        print(f"\n卷积输出形状: {output.shape}")
        print("输出数据 (第一张图片):")
        print(output[0])
        


# 原始输入数据:
# 输入形状: torch.Size([2, 3, 4, 4])
# tensor([[ 1.,  2.,  3.,  4.],
#         [ 5.,  6.,  7.,  8.],
#         [ 9., 10., 11., 12.],
#         [13., 14., 15., 16.]])

# Padding后的矩阵形状: torch.Size([3, 6, 6])

# Padding后的矩阵 (第一张图片):

# 通道 0 (R/G/B):
# tensor([[ 0.,  0.,  0.,  0.,  0.,  0.],
#         [ 0.,  1.,  2.,  3.,  4.,  0.],
#         [ 0.,  5.,  6.,  7.,  8.,  0.],
#         [ 0.,  9., 10., 11., 12.,  0.],
#         [ 0., 13., 14., 15., 16.,  0.],
#         [ 0.,  0.,  0.,  0.,  0.,  0.]])

# 通道 1 (R/G/B):
# tensor([[ 0.,  0.,  0.,  0.,  0.,  0.],
#         [ 0., 17., 18., 19., 20.,  0.],
#         [ 0., 21., 22., 23., 24.,  0.],
#         [ 0., 25., 26., 27., 28.,  0.],
#         [ 0., 29., 30., 31., 32.,  0.],
#         [ 0.,  0.,  0.,  0.,  0.,  0.]])

# 通道 2 (R/G/B):
# tensor([[ 0.,  0.,  0.,  0.,  0.,  0.],
#         [ 0., 33., 34., 35., 36.,  0.],
#         [ 0., 37., 38., 39., 40.,  0.],
#         [ 0., 41., 42., 43., 44.,  0.],
#         [ 0., 45., 46., 47., 48.,  0.],
#         [ 0.,  0.,  0.,  0.,  0.,  0.]])

# 卷积输出形状: torch.Size([2, 2, 4, 4])
# 输出数据 (第一张图片):
# tensor([[[-129., -198., -207., -141.],
#          [ -48.,  -72.,  -72.,  -48.],
#          [ -48.,  -72.,  -72.,  -48.],
#          [ 153.,  234.,  243.,  165.]],

#         [[-120.,  -12.,  -12.,  126.],
#          [-198.,  -18.,  -18.,  207.],
#          [-234.,  -18.,  -18.,  243.],
#          [-168.,  -12.,  -12.,  174.]]], grad_fn=)