我正在研究pytorch卷积滤波器Conv2d函数，并找到了Conv2d的内核（三、三、三）（（意思是输入通道= 3，输出通道=3，内核大小= 3））是[3，3，3，3]的Tensor，如下所示。我不明白这个巨大的Tensor有什么用。我可以很容易地理解conv2d的内核（3，1，3）（（tensor [1，3，3，3]）），它有3个3 × 3矩阵，每个矩阵可以应用于输入图像的RGB矩阵，然后合并为一个矩阵进行灰度化，所以输出通道是一个简单的通道。
但是对于[3，3，3，3]有什么好处呢？？？？3*3的3个矩阵应用到R G B矩阵并输出它们而不进行合并还不够吗？为什么我们需要额外的2个3，3，3Tensor？？
首先，让我们假设conv2d（3，1，3）为3个输入通道（I1，I2，I3）和3个内核（K1，K2，K3）以及一个输出通道（O1）。

(I1*K1 + I2*K2 + I3*K3) /3 = O1.

如果我想要3个输出，计算可能如下所示

I1*K1 = O1     
I2*K2 = O2
I3*K3 = O3

但实际情况比较复杂，因为如果我们需要3个输出通道，那么核的数量是9，Conv2d（3，3，3）代表3个输入（I1，I2，I3），9个核（K11，K12，K13，K21，K22，K23，K31，K32，K33），那么计算对是什么？
下面是conv2d（3，3，3）情形的9个内核。

conv2d(3,3,3)
=>3,3,3,3  kernel
=>tensor([[[[-0.0904, -0.0924, -0.0892],
          [-0.0060, -0.0389, -0.1388],
          [ 0.1636, -0.0933, -0.0295]],

         [[-0.0742,  0.0426, -0.0662],
          [ 0.1625, -0.1485, -0.0169],
          [-0.1122, -0.0875,  0.1021]],

         [[ 0.1214, -0.0896,  0.1304],
          [ 0.0612,  0.0367, -0.0288],
          [-0.1868, -0.1356,  0.0869]]],

        [[[ 0.0792, -0.1562, -0.1878],
          [ 0.0373,  0.1162,  0.1224],
          [-0.1138,  0.0553,  0.1449]],

         [[ 0.1558, -0.1661, -0.0963],
          [ 0.0603, -0.1405,  0.0995],
          [-0.0644, -0.1151,  0.1422]],

         [[ 0.1534,  0.0399, -0.1709],
          [ 0.0765, -0.0665,  0.0119],
          [ 0.0586,  0.1424, -0.1755]]],

        [[[-0.0199, -0.0956, -0.0577],
          [ 0.1312, -0.0273,  0.0615],
          [-0.1037, -0.0247,  0.1915]],

         [[-0.1297,  0.0451,  0.0360],
          [-0.0462,  0.1846, -0.1615],
          [-0.0642,  0.0324,  0.1428]],

         [[ 0.1254, -0.0323,  0.1129],
          [ 0.0482,  0.0839,  0.0227],
          [ 0.0845,  0.1773, -0.1706]]]], requires_grad=True)