torch.nn.Conv2d()函数和channel的理解

import torch
x=torch.randn(2,3,4,5)
conv1=nn.Conv2d(3,2,kernel_size=3)
out1=cov1(x)
print("output1 size: ",out1.shape)

conv2=nn.Conv2d(3,2,kernel_size=3,padding=1)
out2=cov2(x)
print("output2 size: ",out2.shape)

conv3=nn.Conv2d(3,2,kernel_size=3,padding=1,stride=2)
out3=cov3(x)
print("output3 size: ",out3.shape)

输出：
output1 size:  torch.Size([2, 2, 2, 3])
output2 size:  torch.Size([2, 2, 4, 5])
output3 size:  torch.Size([2, 2, 2, 3])

输入：

X

【batch_size, in_channels, height_1, width_1】

batch_size：一个batch中样本的数量
in_channels：通道数，取决于样本的通道，比如RGB图像的通道数是3
height_1：图片的高
width_1：图片的宽

Conv2d的参数

【channels, number, height_2, width_2】

channels：通道数，要与输入的通道数保持一致，channels=in_channels.
number：卷积核的数量
height_2：卷积核的高
width_2：卷积核的宽

输出：

【batch_size, out_channels, height_3, width_3】

batch_size：一个batch中样本的数量，与输入相同
out_channels：通道数，取决于卷积核的数量，与卷积核的数量number相等
height_3：卷积结果的高
width_3：卷积结果的宽

整个过程中出现了三次channels：
1、输入中in_channels，取决于输入图片的channels，如RGB图像是3。
2、卷积操作中的channels，要与输入中的in_channels保持一致才可以卷积。如果是第一次做卷积，就是1中样本图片的 channels，否则就是上一次卷积的 out_channels 。
3、输出结果中的out_channels，取决于卷积核的数量，与卷积核的数量大小相等(out_channels=number)。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels。

卷积后图片大小的计算： $\frac{n+2p-f}{s}+1$，n表示图像的长或者宽，p表示padding的大小，f 表示卷积核的大小，s表示步长。