原文链接
1. 通道数问题
- 形容一个像素点，如果是灰度，那么只须要一个数值来形容它，就是单通道。如果有RGB三种色彩来形容它，就是三通道。最后输出的图片样本的
channels，取决于图片类型； - 卷积操作实现后输入的
out_channels，取决于卷积核的数量。此时的out_channels也会作为下一次卷积时的卷积核的in_channels； - 卷积核中的
in_channels，下面曾经说了，就是上一次卷积的out_channels，如果是第一次做卷积，就是样本图片的channels。
举个例子，假如现有一个为 6×6×3的图片样本，应用 3×3×3 的卷积核（filter）进行卷积操作。此时输出图片的 channels 为 3，而卷积核中的 in_channels 与须要进行卷积操作的数据的 channels 统一（就是图片样本，为3）。接下来进行卷积操作，卷积核中的27个数字与别离与样本对应相乘后，再进行求和，失去第一个后果。顺次进行，最终失去 4×4的后果。因为只有一个卷积核，所以最终失去的后果为 4×4×1，out_channels 为 1。如下图所示：
在理论利用中，都会应用多个卷积核。这里如果再加一个卷积核，就会失去 4×4×2的后果。如下图所示：
2. nn.Conv2d
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True)nn.Conv2d的性能是：对由多个输出立体组成的输出信号进行二维卷积。输出信号的模式为：
$$(N,C_{in},H,W)$$
（1）参数阐明
N：示意batch size（批处理参数）
C_{in}：示意channel个数
H，W：别离示意特色图的高和宽。
stride(步长)：步长，默认为1，能够设为1个int型数或者一个(int, int)型的tuple。
kernel_size：卷积核的宽度和长度，单个整数或由两个整数形成的list/tuple。如为单个整数，则示意在各个空间维度的雷同长度。
padding(补0)：管制zero-padding的数目，padding是在卷积之前补0。
dilation(扩张)：管制kernel点（卷积核点）的间距; 能够在此github地址查看:Dilated convolution animations
groups(卷积核个数)：通常来说，卷积个数惟一，然而对某些状况，能够设置范畴在1 —— in_channels中数目的卷积核：
（2）图像尺寸
通过一次卷积之后，生成的图的大小：
(original_size - (kernal_size - 1)) / stride
3. nn.ConvTranspose2d
nn.ConvTranspose2d的性能是进行反卷积操作
（1）输出格局
nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)（2）参数的含意
- in_channels(int) – 输出信号的通道数
- out_channels(int) – 卷积产生的通道数
- kerner_size(int or tuple) - 卷积核的大小
- stride(int or tuple,optional) - 卷积步长，即要将输出扩充的倍数。
- padding(int or tuple, optional) - 输出的每一条边补充0的层数，高宽都减少2*padding
- output_padding(int or tuple, optional) - 输入边补充0的层数，高宽都减少padding
- groups(int, optional) – 从输出通道到输入通道的阻塞连接数
- bias(bool, optional) - 如果bias=True，增加偏置
- dilation(int or tuple, optional) – 卷积核元素之间的间距
学习更多编程常识，请关注我的公众号：
代码的路