Python PyTorch卷积'in_channels'和'out_channels'是什么意思？

从PyTorch中，我看到函数

torch.nn.Conv1d

要求用户传递参数

in\u通道

和

out\u通道

我知道这些是指“输入通道”和“输出通道”，但我不确定它们在卷积中的含义。我猜

输入通道

相当于输入功能，而

输出通道

相当于输出功能，但我不确定

---

有人能解释一下这些参数指的是什么吗？

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。在图像数据的情况下，最常见的情况是灰度图像，具有一个通道、黑色或彩色图像，具有三个通道–红色、绿色和蓝色

out_channels

是一个偏好问题，但有一些重要的事情需要注意

• 首先，大量的

  out\u通道

  允许层了解有关输入数据的更多有用特性，尽管这不是一条硬性规定
• 其次，CNN的大小是网络每一层中

  in_频道数

  /

  out_频道数

  和层数的函数

---

给定卷积：

• 长度

  m

• 超过输入通道/信号/变量
• 输出

  P

  channels/features/filters

您可以使用：

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

---

以下中的2d图像说明了这一点（其中内核大小为3x3xN（其中对于RGB图像，N=3），对于5个所需输出，有5个这样的内核）：

---

@CutePoison是。@CutePoison频道对应的内容完全取决于域。1d CNN通常用于信号处理（以及NLP），其中不同的通道将参考不同的读数，例如，在同一时间序列中记录的温度、气压、亮度。@CutePoson不完全是这样，一个观测通常指一个数据点（即，所有通道被视为单个对象），或任何一个通道在任何一个时间步的值。在考虑（1.d.）时，“自变量”/“特征”将是“通道”本身更常见的术语。