PyTorch 深度学习实践 第10讲刘二大人

总结：

1.输入通道个数 等于 卷积核通道个数

2.卷积核个数 等于 输出通道个数

1.单通道卷积

以单通道卷积为例，输入为（1,5,5），分别表示1个通道，宽为5，高为5。假设卷积核大小为3x3，padding=0，stride=1。
卷积过程如下：

相应的卷积核不断的在图像上进行遍历，最后得到3x3的卷积结果，结果如下：

2.多通道卷积（输出结果通道为1的情况）

以彩色图像为例，包含三个通道，分别表示RGB三原色的像素值，输入为（3,5,5），分别表示3个通道，每个通道的宽为5，高为5。假设卷积核只有1个，卷积核通道为3，每个通道的卷积核大小仍为3x3，padding=0，stride=1。

卷积过程如下，每一个通道的像素值与对应的卷积核通道的数值进行卷积，因此每一个通道会对应一个输出卷积结果，三个卷积结果对应位置累加求和，得到最终的卷积结果（这里卷积输出结果通道只有1个，因为卷积核只有1个。卷积多输出通道下面会继续讲到）。

可以这么理解：最终得到的卷积结果是原始图像各个通道上的综合信息结果。
上述过程中，每一个卷积核的通道数量，必须要求与输入通道数量一致，因为要对每一个通道的像素值要进行卷积运算，所以每一个卷积核的通道数量必须要与输入通道数量保持一致

我们把上述图像通道如果放在一块，计算原理过程还是与上面一样，堆叠后的表示如下：

3.多通道卷积（输出结果通道为m的情况）

在上面的多通道卷积1中，输出的卷积结果只有1个通道，把整个卷积的整个过程抽象表示，过程如下：

即：由于只有一个卷积核，因此卷积后只输出单通道的卷积结果（黄色的块状部分表示一个卷积核，黄色块状是由三个通道堆叠在一起表示的，每一个黄色通道与输入卷积通道分别进行卷积，也就是channel数量要保持一致，图片组这里只是堆叠放在一起表示而已）。

那么，如果要卷积后也输出多通道，增加卷积核（filers）的数量即可，示意图如下：

4.代码

以Pytorch为例，nn.Conv2d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1，bias=True)。

参数解释如下：

in_channels：输入维度

out_channels：输出维度

kernel_size：卷积核大小，可以理解为对每个通道上的卷积的尺寸大小

stride：步长大小

padding：补0

dilation：kernel间距

import torch
 
in_channels = 5  #输入通道数量
out_channels =10 #输出通道数量
width = 100      #每个输入通道上的卷积尺寸的宽
heigth = 100     #每个输入通道上的卷积尺寸的高
kernel_size = 3  #每个输入通道上的卷积尺寸
batch_size = 1   #批数量
 
input = torch.randn(batch_size,in_channels,width,heigth)
conv_layer = torch.nn.Conv2d(in_channels,out_channels,kernel_size=kernel_size)
 
out_put = conv_layer(input)
 
print(input.shape)
print(out_put.shape)
print(conv_layer.weight.shape)

结果解释： （1）输入的张量信息为[1,5,100,100]分别表示batch_size，in_channels，width，height

（2）输出的张量信息为[1,10,98,98]分别表示batch_size，out_channels，width’，height’，其中width’，height’表示卷积后的每个通道的新尺寸大小

（3）conv_layer.weight.shape的输出结果为[10, 5, 3, 3]，分表表示out_channels，in_channels，kernel_size ，kernel_size ，可以看到与上面的公式mnk1*k2一致。