请编写一个python程序，实现CondConv卷积的代码。

CondConv（条件卷积）是一种可以根据输入数据动态调整卷积核的方法，它可以根据输入的特征图自适应地选择卷积核，从而使得模型更加灵活。以下是一个基于PyTorch实现CondConv的示例代码：

import torch
import torch.nn as nn
import torch.nn.functional as F

class CondConv2d(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True):
        super(CondConv2d, self).__init__()

        self.in_channels = in_channels
        self.out_channels = out_channels
        self.kernel_size = kernel_size
        self.stride = stride
        self.padding = padding
        self.dilation = dilation
        self.groups = groups
        self.bias = bias

        self.weight = nn.Parameter(torch.Tensor(out_channels, in_channels // groups, kernel_size, kernel_size))
        if bias:
            self.bias = nn.Parameter(torch.Tensor(out_channels))
        else:
            self.register_parameter('bias', None)

        self.cond_weight = nn.Parameter(torch.Tensor(out_channels, in_channels // groups, kernel_size, kernel_size))

        self.reset_parameters()

    def reset_parameters(self):
        nn.init.kaiming_uniform_(self.weight, a=math.sqrt(5))
        nn.init.kaiming_uniform_(self.cond_weight, a=math.sqrt(5))

        if self.bias is not None:
            fan_in, _ = nn.init._calculate_fan_in_and_fan_out(self.weight)
            bound = 1 / math.sqrt(fan_in)
            nn.init.uniform_(self.bias, -bound, bound)

    def forward(self, x, cond):
        weight = self.weight * self.cond_weight.expand_as(self.weight)
        return F.conv2d(x, weight, self.bias, self.stride, self.padding, self.dilation, self.groups)

这个CondConv2d类继承自nn.Module，实现了一个基本的卷积层，除了标准的卷积参数（输入特征图通道数、输出特征图通道数、卷积核大小等）外，还包括了一个cond参数，用于传递额外的条件信息。在forward函数中，我们首先将cond参数通过一个和权重相同维度的cond_weight参数进行扩展，然后使用此扩展后的cond_weight参数和原始权重weight参数进行乘法操作，从而实现根据条件动态调整卷积核的目的。最后，我们使用F.conv2d函数进行卷积运算，并返回结果。

需要注意的是，在实现CondConv时，我们需要为每个卷积核都设立一个对应的条件参数，这将导致模型参数数量的显著增加，因此需要谨慎使用。