PyTorch基础——二维卷积时的卷积核以及输入tensor的shape

以3通道100行200列的一幅图像img为例，期望输出16通道卷积特征，卷积核为3行3列，则
（1）函数调用：
          conv = torch.nn.Conv2d(3, 16, 3)
          out    = conv(img)
其中，nn.Conv2d函数中
         第一个参数表示输入图像的通道数
         第二个参数表示输出图像的通道数
         第三个参数表示卷积核尺寸，行列相等时可直接缩写为一个数
（2）卷积核的shape：   out_channels x in_channels x kernel_size1 x kernel_size2 ==> 16 x 3 x 3 x3
         输入img的shape： sample_count x in_channels x height x width                      ==>   1 x 3 x 100 x 200
conv中已包含初始化的卷积核，无需手动输入