本文主要是介绍AI学习记录 - 怎么理解 torch 的 nn.Conv2d，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
有用就点个赞
怎么理解 nn.Conv2d 参数
conv_layer = nn.Conv2d(in_channels=1, out_channels= 10 // 2, kernel_size=3, stride=2, padding=0, bias=False)
in_channels
in_channels 可以设置成1，2，3，4等等都可以，一般来说做图像识别的时候，先使用图片解析工具把一个彩色图片变成三个通道的图片，所以一张图片对应有三张图，in_channels 一般来说等于3，当然你可以发明一个四通道图片，in_channels就等于4。又或者你直接使用原图，那么in_channels 的值就相当于有多少张不同的图片，怎么理解都可以。
padding 和 stride
红圈移动步伐为2（stride=2），移动红圈的时候超出了，蓝色框默认设置为全0，你也可以设置成其他数字（padding=0）
矩阵和红圈的计算方式,简单的例子
计算：
卷积核的数量，由 in_channels 决定，in_channels 是多少，就生成多少个卷积核。
out_channels
这个数字一般不是乱填的，它的值就是原始图片矩阵的尺寸，经过和卷积核计算之后，生成的特征图的尺寸，这跟原始图片尺寸，卷积核尺寸，步伐大小有关，一般计算方式为。
当然你也可以乱填，但是当 out_channels小了，但是采集的数据肯定遗漏，当 out_channels 大了，那么就采集到了无用数据。下图：
当 out_channels 等于 4，那么下面拿那块紫色区域就漏采了
当原图较小，out_channels 等于 4，那么下面就多采样了很多 0 回来
这篇关于AI学习记录 - 怎么理解 torch 的 nn.Conv2d的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
