PyTorch 卷积“in_channels”和“out_channels”的含义？

Question

从Convolution 的PyTorch文档中，我看到该函数torch.nn.Conv1d需要用户传递参数in_channels和out_channels。

我知道这些指的是“输入通道”和“输出通道”，但我不确定它们在卷积的上下文中意味着什么。我的猜测是，这in_channels相当于输入特征，也out_channels相当于输出特征，但我不确定。

有人可以解释一下这些论点指的是什么吗？

Answer 1

给定一个卷积：

• 长度m
• 通过N输入通道/信号/变量
• 输出P通道/功能/过滤器

你会使用：

nn.Conv1d(in_channels=N, out_channels=P, kernel_size=m)

下面在使用 PyTorch 进行深度学习中对 2d 图像进行了说明（其中内核的大小为 3x3xN（其中 RGB 图像的 N=3），并且对于所需的 5 个输出有 5 个这样的内核）：

Answer 2

in_Channels表示输入图像中的通道数，而out_channels表示卷积产生的通道数。就图像数据而言，最常见的情况是具有一个通道、黑色的灰度图像，或具有三个通道 \xe2\x80\x93 红色、绿色和蓝色的彩色图像。out_channels这是一个偏好问题，但有一些重要的事情需要注意。

\n\n

\n
• 首先，大量的out_channels允许该层潜在地学习有关输入数据的更多有用的特征，尽管这不是一个硬性规则。
\n
• in_channels其次，CNN 的大小是网络每层/数量out_channels和层数的函数。
\n

\n