小土堆的視頻：https://www.bilibili.com/video/BV1hE411t7RN?spm_id_from=333.788.videopod.episodes&vd_source=6cb513d59bf1f73f86d4225e9803d47b&p=16

前置知識

super().init() 是用于調用父類的構造函數（初始化方法）

搭建簡單的神經網絡框架

import torch
from torch import nn
class MM(nn.module):
	def __init__(self):
		super(MM,self).__init__() # 調用父類的初始化函數
		
	def forward(self,input):
		output=input+1
		return output

mm=MM()
x=torch.tensor(1.0)
output=mm(x) # 這里可以直接調用類，是因為所有nn.module類及繼承自它的子類都含有特殊的call函數，而call函數中又會自動調用它內部的一些函數（例如這里的forward函數)
print(output)

卷積操作

以Conv2d為例，2D 卷積操作（Convolutional Operation），主要目的是 通過卷積核提取輸入圖像的局部特征。這種操作廣泛應用于 圖像處理、特征提取和深度學習中的 CNN（卷積神經網絡）。
以下是Conv2d所需要的參數，這里是torch.nn.functional中的conv2d（區別一下torch.nn和torch.nn.functional:前者是對后者功能的一個封裝）這里先介紹torch.nn.functional中的conv2d

事實上，卷積操作 是在輸入圖像上滑動卷積核，并計算 加權和 以生成特征圖。

以下將做一個簡單的示范：

import torch
import torch.nn.functional as F
# 輸入的圖像為以下數據
input=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]])

# 以下為卷積核
kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

input=torch.reshape(input,(1,1,5,5))
kernel=torch.reshape(kernel,(1,1,3,3))

print(input.shape)
print(kernel.shape)

output=F.conv2d(input,kernel,stride=1)
print(output)

output2=F.conv2d(input,kernel,stride=2)
print(output2)

output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

得到的輸出結果如下：

卷積層

這里便是直接對torch.nn中的conv2d進行使用。
以下展示了官方文檔中的卷積操作動圖：

特殊：空洞卷積

簡單示例：

dataset=torchvision.datasets.CIFAR10(root='./dataset', train=False, transform=torchvision.transforms.ToTensor(), download=True)

dataloader=DataLoader(dataset,batch_size=64,shuffle=True)

class MM(nn.Module):
    def __init__(self):
        super(MM,self).__init__()
        self.conv1=Conv2d(3,6,3,1,0)

    def forward(self,x):
        x=self.conv1(x)
        return x

mm=MM()

writer=SummaryWriter("logs")
step=0
for data in dataloader:
    imgs,targets=data
    output=mm(imgs)
    print(imgs.shape)
    print(output.shape)
    # torch.Size([64, 3, 32, 32])
    writer.add_images("input",imgs,step)
    # torch.Size([64, 6, 30, 30])
    output=torch.reshape(output,(-1,3,30,30))  # 由于tensorboard無法展示6 channels的圖像，
                                       # 所以在不太嚴謹的情況下需要將6切成3，
                                       # 但因此會導致batch_size增多，在不知道它的大小之前，可以設置為-1
    writer.add_images("output",output,step)
    step+=1

在tensorboard中的輸出結果如下圖所示：

補充：3維卷積示意圖