卷积的in_channel与out_channel

已于 2023-03-04 17:23:06 修改
阅读量1.1w 收藏 26
点赞数 7
分类专栏： 啥也不会的pytorch 机器学习 文章标签： cnn 人工智能 神经网络
于 2022-02-05 12:54:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_51533157/article/details/122789563
版权

刚学时写的很浅显的文章，建议大家看

【CNN】理解卷积神经网络中的通道 channel_cnn_scxyz_-DevPress官方社区在深度学习的算法学习中，都会提到 channels这个概念。在一般的深度学习框架的 conv2d 中，如 tensorflow 、mxnet ，channels 都是必填的一个参数。channels 该如何理解？先看一看不同框架中的解释文档。首先，是 tensorflow 中给出的，对于输入样本中 channels 的含义。一般的RGB图片，channels 数量是 3 （红、绿、蓝）... scxyz_ DevPress官方社区https://aistudio.youkuaiyun.com/62e38a9fcd38997446774d77.html?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2~default~CTRLIST~activity-1-79814146-blog-122789563.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2~default~CTRLIST~activity-1-79814146-blog-122789563.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=1更加全面，讲的也很好

CNN中feature map、卷积核、卷积核个数、filter、channel_卷积层卷积核个数_xiewenbo的博客-优快云博客只需要一句话就解释清楚了：不管输入图像的深度为多少，经过一个卷积核（filter），最后都通过下面的公式变成一个深度为1的特征图。 也就是说不管卷积核深度是多少（卷积核的深度和要被卷积的原始神经元的深度要一样），而卷积会合并卷积深度为1，我想这才是很多人疑惑的地方，其他的没什么好疑惑的。这里还是想强调一下，卷积核(filter)的channel数，其实是与输入图像相同的，所以常常会省略不写，只...https://blog.youkuaiyun.com/xiewenbo/article/details/96509195在我们平时看的网络结构当中，由于卷积核的深度往往与输入的深度相同，因此往往会省略。

例如输入的是一张RGB的图片，可以这样来表示（512×512×3），512×512代表图片的大小（512*512个像素点），而RGB图像的深度有三层。

那么要想与这样的一张RGB图像进行卷积操作就意味着卷积核的深度也为3层，图像的第一层与卷积核的第一层进行卷积，第二层与卷积核的第二层进行卷积，第三层与第三层进行卷积，分别卷积后再进行累加：

 每一层分别卷积之后进行累加，得到一层的输出。

 

最后的输出的结果也就是特征层的深度为1.

如果这张图片和多个卷积核进行卷积计算，那么输出的层数也就会增加（这也就是输出通道的个数）

卷积核的个数=输出通道

而输入通道等于输入的深度（而卷积核的深度与输入的深度一样（为了每一层对应计算嘛），因此卷积核的输入通道往往省略不写）。

【CNN】理解卷积神经网络中的通道 channel
scxyz的博客
04-04 13万+
在深度学习的算法学习中，都会提到 channels 这个概念。在一般的深度学习框架的 conv2d 中，如 tensorflow 、mxnet ，channels 都是必填的一个参数。 channels 该如何理解？先看一看不同框架中的解释文档。 首先，是 tensorflow 中给出的，对于输入样本中 channels 的含义。一般的RGB图片，channels 数量是 3 （红、绿、蓝）...
学习笔记4-卷积操作（附相关代码）、channels含义（ in_channels、卷积channels、out_channels ）
LZL2020LZL的博客
10-18 5472
** torch.nn模块包含torch已经准备好的卷积层、池化层、激活函数层、循环层、全连接层。 ** 本文将分别展开进行阐述：卷积层、池化层、激活函数层、循环层、全连接层。 1.卷积层 二维卷积运算过程示意图如下图所示： 相信大家和我一样可能道理我们都懂但是一遇到代码就蒙圈，那我们接下来就来看看如何使用torch.nn模块进行卷积操作。 首先附上一张常用卷积操作对应类的命名 #承接上图以2x2卷积操作为例，其调用方式为： torch.nn.conv2d(in_channels=3, #(整数）输入图
in_channel和out_channel
最新发布
weixin_52153243的博客
07-25 247
对于第二层或者更多层的卷积，此时的 in_channels 就是上一层的 out_channels ， out_channels 还是取决于过滤器数目。对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。从这个方向理解，这里的 out_channels 设置的就是过滤器的数目。原文链接：https://blog.youkuaiyun.com/qq_45560230/article/details/130489265。
如何理解in_channel 和 out_channel
weixin_44132990的博客
05-16 470
对于第二层或者更多层的卷积，此时的 in_channels 就是上一层的 out_channels ， out_channels 还是取决于过滤器数目。对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。从这个方向理解，这里的 out_channels 设置的就是过滤器的数目。原文链接：https://blog.youkuaiyun.com/qq_45560230/article/details/130489265。
如何理解卷积神经网络中的通道（channel）
热门推荐
Medlen
11-22 7万+
在卷积神经网络中我们通常需要输入 in_channels 和 out_channels ，即输入通道数和输出通道数，它们代表什么意思呢？本文将给出一个形象的理解。 对于通道的理解可以参考下面的这篇文章： 【CNN】理解卷积神经网络中的通道 channel 这里我稍微总结一下核心观点： 对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。 卷积完成之后，输出的通道数 out_channels 取决于过滤器的数量。
如何理解通道数in_channel和out_channels
进阶的小宋
05-04 2891
对于第二层或者更多层的卷积，此时的 in_channels 就是上一层的 out_channels ， out_channels 还是取决于过滤器数目。对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。卷积完成之后，输出的通道数 out_channels 取决于过滤器的数量。从这个方向理解，这里的 out_channels 设置的就是过滤器的数目。
输入通道数 和 输出通道数 的理解
一杯水果茶！足矣~
11-29 5242
输入通道数（in_channels）通常指的是输入数据的深度或者特征的数量。 输出通道数，即卷积核（滤波器 Filter）的个数。每个卷积核可以提取一种特征，并得到一张新的特征图。out_channels 表示卷积层中卷积核的数量，也就是提取特征的数量。
rsyslog配置动态日志文件-outchannel补丁
系统运维
08-21 243
Debian Bug report logs - #477351报出了一个bug，正是我最近头疼的问题，原文如下：Package: rsyslogVersion: 2.0.2-1~bpo40+1Severity: normalHello,on my /etc/rsyslog.conf you can read:$template DynFile,"/var/log/system-%HOSTNAME...
def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs):#in_channel, out_channel, stride=1, downsample=None,特征矩阵深度，输出矩阵深度，步长，判定虚实线残差结构 super(BasicBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=3, stride=stride, padding=1, bias=False)#kernel_size=3，卷基核=3，padding，填充 self.bn1 = nn.BatchNorm2d(out_channel) self.relu = nn.ReLU() self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel, kernel_size=3, stride=1, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(out_channel) self.downsample = downsample
06-12
该函数接受`in_channel`、`out_channel`、`stride`、`downsample`四个参数，分别表示输入特征图的通道数、输出特征图的通道数、卷积核的步长和下采样操作。其中，`downsample`参数默认为`None`。 在函数内部，首先...
为以下每句代码做注释：class Bottleneck(nn.Module): expansion = 4 def init(self, in_channel, out_channel, stride=1, downsample=None): super(Bottleneck, self).init() self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=1, stride=1, bias=False) # squeeze channels self.bn1 = nn.BatchNorm2d(out_channel) self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel, kernel_size=3, stride=stride, bias=False, padding=1) self.bn2 = nn.BatchNorm2d(out_channel) self.conv3 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel * self.expansion, kernel_size=1, stride=1, bias=False) # unsqueeze channels self.bn3 = nn.BatchNorm2d(out_channel * self.expansion) self.relu = nn.ReLU(inplace=True) self.downsample = downsample def forward(self, x): identity = x if self.downsample is not None: identity = self.downsample(x) out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) out = self.relu(out) out = self.conv3(out) out = self.bn3(out) out += identity out = self.relu(out) return out
05-19
- self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=1, stride=1, bias=False)：第一个卷积层，使用 1x1 的卷积核进行降维，减少通道数。 - self.bn1 = nn.BatchNorm2d(out_...
解释class Bottlrneck(torch.nn.Module): def __init__(self,In_channel,Med_channel,Out_channel,downsample=False): super(Bottlrneck, self).__init__() self.stride = 1 if downsample == True: self.stride = 2 self.layer = torch.nn.Sequential( torch.nn.Conv1d(In_channel, Med_channel, 1, self.stride), torch.nn.BatchNorm1d(Med_channel), torch.nn.ReLU(), torch.nn.Conv1d(Med_channel, Med_channel, 3, padding=1), torch.nn.BatchNorm1d(Med_channel), torch.nn.ReLU(), torch.nn.Conv1d(Med_channel, Out_channel, 1), torch.nn.BatchNorm1d(Out_channel), torch.nn.ReLU(), ) if In_channel != Out_channel: self.res_layer = torch.nn.Conv1d(In_channel, Out_channel,1,self.stride) else: self.res_layer = None def forward(self,x): if self.res_layer is not None: residual = self.res_layer(x) else: residual = x return self.layer(x)+residual
05-10
- 输入 In_channel 经过一个 1x1 的卷积核，输出通道数变为 Med_channel。 - 经过 Batch Normalization 和 ReLU 激活函数。 - 再经过一个 3x3 的卷积核，输出通道数还是 Med_channel。 - 经过 Batch Normalization ...
叙述下列代码的实现流程class Bottlrneck(torch.nn.Module): def __init__(self,In_channel,Med_channel,Out_channel,downsample=False): super(Bottlrneck, self).__init__() self.stride = 1 if downsample == True: self.stride = 2 self.layer = torch.nn.Sequential( torch.nn.Conv1d(In_channel, Med_channel, 1, self.stride), torch.nn.BatchNorm1d(Med_channel), torch.nn.ReLU(), torch.nn.Conv1d(Med_channel, Med_channel, 3, padding=1), torch.nn.BatchNorm1d(Med_channel), torch.nn.ReLU(), torch.nn.Conv1d(Med_channel, Out_channel, 1), torch.nn.BatchNorm1d(Out_channel), torch.nn.ReLU(), ) if In_channel != Out_channel: self.res_layer = torch.nn.Conv1d(In_channel, Out_channel,1,self.stride) else: self.res_layer = None def forward(self,x): if self.res_layer is not None: residual = self.res_layer(x) else: residual = x return self.layer(x)+residual
06-03
在初始化时，输入参数包括输入通道数 In_channel、中间通道数 Med_channel、输出通道数 Out_channel，以及一个 downsample 布尔值，用于表示是否需要下采样。在初始化过程中，会根据 downsample 值来确定是否需要下...
图卷积神经网络GCN的一些理解以及DGL代码实例的一些讲解
学习笔记
06-30 2799
近些年图神经网络十分火热，因为图数据结构其实在我们的现实生活中更常见，例如分子结构、人的社交关系、语言结构等等。NLP中的句法树、依存树就是一种特殊的图，因此，图神经网络的学习也是必不可少的。GCN是图卷积神经网络，初期研究者为了从数学上严谨的推导该公式是有效的，所以会涉及到诸如傅里叶变换，拉普拉斯算子的知识，但是对于我们使用者而言，并不需要会证明GCN最终能收敛等等知识，能够懂大概原理和计算方式就差不多了吧… 下面介绍GCN原文中的一些关键点。 其中 H(l) 是值输入的特征 H(l+1) 是指更新后输出
小白入门深度学习记录1——卷积层个数及out_channels确定
qq_42342981的博客
03-23 141
卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？- mileistone的回答 - 知乎。希望后来者不要像我一样花时间去查这个问题，特别是做深度学习的工程应用。查了很多资料，最终得到的答案是没有什么确定的方法，纯试错试出来的。
使用rsyslog限制日志文件大小，outchannel实现自动回滚rotate
yurunsheng的专栏
11-01 1万+
最近在使用rsyslog进行日志的集中管理，需要限制服务器的日志文件大小，让它在达到一定大小后自动rotate。发现outchannel能实现这种需求，遂查阅rsyslog rotation官方文档（也可执行$man rsyslog.conf查看本地手册中的OUTPUT CHANNELS部分，通常这种方法更有参考价值），依葫芦画瓢做了以下配置： －－－－－－－－－－－－－－－－－－－－－－－
Pytorch tensorflow 卷积核shape的含义差异
麻花
08-19 516
Pytorch tensorflow 卷积核shape的含义差异
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值