图像张量中的通道维度
“通道维度”是图像张量中的一个非常重要的维度，它表示图像中有多少种颜色（或特征图），我们来详细解释一下：
✅ 什么是通道维度（channel dimension）？
在深度学习中，图像通常用一个 4维的张量（tensor） 来表示，维度结构如下：
[批量大小, 通道数, 高度, 宽度]batch_size, channels, height, width
举例：灰度图像 vs 彩色图像
灰度图像（黑白图）：
通道数 = 1 →
[batch_size, 1, height, width]每个像素只有一个数值，表示灰度（亮度）
RGB彩色图像：
通道数 = 3 →
[batch_size, 3, height, width]每个像素由 R、G、B 三个值组成
✅ 若张量 X 的形状为
X.shape = [18, 1, 28, 28]
意思是：
有 18 张图像（batch size = 18）
每张图像是 28×28 的 灰度图像
每张图像有 1 个通道（channel）
✅ X.reshape(18, 28, 28) 是干什么的？
它把原本形状为 [18, 1, 28, 28] 的张量 去掉了通道维度 1，变成：
[18, 28, 28]
这是因为：
imshow这个函数用于显示图像时，灰度图只需要 [height, width]PyTorch 加载数据时默认保留通道维度
[1, 28, 28]为了显示，我们需要手动“压缩”掉通道维度：
reshape(18, 28, 28)或squeeze(1)
✅ 通道维度的作用（在 CNN 中）
在卷积神经网络中，通道维度非常重要：
输入图像的通道数决定了第一层卷积核的大小
中间每一层卷积通常会增加通道数，表示提取了更多特征
例如：
输入：[1, 28, 28]
第一层卷积后：[16, 28, 28]（提取16个特征图）
✅ 总结一句话：
“通道维度”表示图像中颜色或特征的种类。灰度图是1个通道，RGB是3个通道。在可视化灰度图像时，我们通常会把形状
[1, 28, 28]变成[28, 28]，以便 matplotlib 正确显示。