PyTorch卷积`in_channels`与`out_channels`意义？

Question

从PyTorch 卷积文件中，我看到torch.nn.Conv1d函数要求用户传递参数in_channels和out_channels。

我知道它们指的是“输入通道”和“输出通道”，但我不知道它们在卷积中的含义。我的猜测是，in_channels与输入特性等价，out_channels等价于输出特性，但我不确定。

有人能解释一下这些论点指的是什么吗？

Answer 1

考虑到以下的卷积：

• 长度m
• 通过N输入通道/信号/变量
• 输出P通道/特性/过滤器

你可以使用：

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

在https://pytorch.org/assets/deep-learning/Deep-Learning-with-PyTorch.pdf (内核大小为3x3xN (其中N=3用于RGB映像)的2d图像中，有5个这样的内核用于所需的5个输出)：

​

​

Answer 2

in_Channels表示输入图像中的信道数，而out_channels表示卷积产生的信道数。在图像数据的情况下，最常见的情况是灰度图像，它将有一个通道，黑色或彩色图像将有三个通道-红色、绿色和蓝色。out_channels是一个优先考虑的问题，但是有一些重要的事情需要注意。

• 首先，更多的out_channels允许该层潜在地学习关于输入数据的更有用的特性，尽管这并不是一个很难的规则。
• 其次，你的有线电视新闻网的大小取决于你网络的每一层的in_channels/out_channels的数量和层的数量。