Repvgg理解过程出现的问题

根据博主太阳花的小绿豆的文章学习：RepVGG网络简介_太阳花的小绿豆的博客-CSDN博客_repvgg网络是干嘛的?

简单来说repvgg就是改变了网络结构，做了模型重参数化，啥叫模型重参数化？就是将resnet的shortcut给去掉的同时不改变推理的效果。

 至于重参数化过程的推理，可以直接点击上边的连接，此处只记录小白的个人困惑。

 文中博主给出了上图，以我的理解，input channel=2，那么卷积核的个数不就应该为2吗？但是博主的意思是此处的kernel weight仅表示一个卷积核，做卷积后只得到了output channel 1。对此又找出了b站up主刘二大人的视频（pytorch第十讲30多分）仔细看了一遍，其实卷积核的通道数是可以自己设定的，最后的输出的通道数与此卷积核的通道数是无关的，输出的通道数是与卷积核的个数相关的，如下图

 注意！这是一个卷积层的计算的大致过程。如果自己跟着刘二大人写了卷积层的程序的话，一定会有类似下边的程序：

self.conv1 = torch.nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)

 其中1就是输入通道的数量（input channel，也就是卷积核的通道数），10就是输出通道的数量（output，也就是卷积核的个数）。