【卷积神经网络】多输入通道和多输出通道（channels）

前面两节里我们用到的输入和输出都是二维数组，但真实数据的维度经常更高。例如，彩色图像在高和宽2个维度外还有RGB（红、绿、蓝）3个颜色通道。假设彩色图像的高和宽分别是和（像素），那么它可以表示为一个的多维数组。我们将大小为3的这一维称为通道（channel）维。本节我们将介绍含多个输入通道或输出通道的卷积核。 4.3.1 多输入通道 当输入数据含多个通道时，我们需要构造一个输入通道数与输入数据...

在大数据与人工智能深度融合的时代，多输入多输出预测任务广泛存在于金融市场分析、工业生产监控、交通流量调控等诸多领域。准确的预测能够帮助企业优化资源配置、降低运营风险，也能为城市管理提供科学依据。然而，多变量间复杂的非线性关系以及模型超参数优化难题，给预测工作带来巨大挑战。BO-BiLSTM 模型结合贝叶斯优化算法与双向长短期记忆神经网络的优势，为多输入多输出预测提供了新的解决方案。一、多输入多输出预测：背景与挑战多输入多输出预测旨在通过分析多个相关变量的历史数据，预测多个目标变量的未来趋势。

多输入通道 多输出通道： 设卷积核输入通道，输出通道是 ci , co，高宽为 kh , kw 为每个输出通道分别建立 ci * kh * kw 的核数组。在输出通道维上连结，卷积核的形状即为co * ci *kh*kw from mxnet import autograd,nd from mxnet import gluon,init from mxnet.gluon imp...

本文章来源于对`李沐动手深度学习`代码以及原理的理解，并且由于李沐老师的代码能力很强，以及视频中讲解代码的部分较少，所以这里将代码进行**尽量逐行详细解释** 并且由于pytorch的语法有些小伙伴可能并不熟悉，所以我们会采用**逐行解释+小实验**的方式来给大家解释代码 基于Pytorch深度学习——卷积神经网络(卷积层/池化层/多输入多输出通道/填充和步幅)

卷积层：通过卷积核数量改变通道数（），提取新特征。池化层：保持通道数不变，缩小空间尺寸。批归一化：归一化每个通道的特征分布，通道数不变。1x1卷积：调整通道数，融合通道信息。残差连接：确保通道数一致以进行相加，可能需要1x1卷积调整。

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）...

输出的高度和宽度取决于输入的尺寸、卷积核的尺寸、填充（padding）以及步长（stride）。这些公式适用于具有相同填充和步长的情况。如果填充和步长不同，则需要分别考虑高度和宽度。假设输入图像的大小为 28x28，卷积核大小为 3x3，填充为 1，步长为 1。因此，输出的尺寸是 16x28x28。：输出通道数等于卷积核的数量。

CNN的多输入通道和多输出通道 之前的输入都视为二维数组，但是真实数据往往具有更高的维度，彩色图像有RGB三个颜色通道，那么这个图像（高为h，宽为w）可以表示为3∗h∗w3*h*w3∗h∗w的多维数组，一般将表示通道数的维（即3这一维）称为通道维。 多输入通道 对于多维的输入，与二维的输入卷积操作类似，只是这里我们的卷积核需要构造成与输入数据通道数相同，从而使其能够与多通道数据进行互相关运算。 卷积的结果为将各个通道的互相关运算结果相加 例如，对与双通道数据，其维度为（2 * 3 * 3）： input=[

本篇文章主要讲解卷积神经网络中的感受野和通道的基本概念，适合于准备入门深度学习的小白，也可以在学完深度学习后将其作为温习。如果对卷积计算没有概念的可以看本博主的上篇文章。

由于我们通常使用小卷积核，因此对于任何单个卷积，我们可能只会丢失几个像素。也可以设置上下和左右走的步长分别是什么，设置stride=(3, 4)时，意味着卷积核在输入数据的宽度（横向）上每次移动3个像素，在高度（纵向）上每次移动4个像素。卷积失去了卷积层的特有能力——在高度和宽度维度上，识别相邻元素间相互作用的能力。就是将之前的大的图片,定义一个核函数,然后经过移动并运算将图片变小了.也就是将图像压缩提取整合特征值.在计算互相关时，卷积窗口从输入张量的左上角开始，向下、向右滑动。比如我下面移动两步。

1. 输出通道数是卷积层的超参数2. 每个输出通道有独立的二维卷积核，所有通道结果相加得到一个输出通道结果3. 每个输出通道有独立的三维卷积核。

《动手学深度学习pytorch》部分学习笔记，仅用作自己复习。 多输入通道和多输出通道 前⾯两节里我们⽤到的输入和输出都是二维数组，但真实数据的维度经常更高。例如，彩色图像在⾼和宽2个维度外还有RGB（红、绿、蓝）3个颜⾊通道。假设彩色图像的⾼和宽分别是h和w（像素），那么它可以表示为⼀个 的多维数组。我们将⼤小为3的这⼀维称为通道（channel）维。本节我们将介绍含多个输入通道或多个输出通道的卷积核。 多输⼊通道 当输⼊数据含多个通道时，我们需要构造⼀个输⼊通道数与输入数据的通道数相同的卷...

本文介绍了多输入通道和多输出通道时的卷积以及1×1的卷积层