对于RGB这种多个输入通道的图： 每个通道都有一个卷积核，结果是所有通道卷积结果的和。 我们可以有多个输出通道： 但是到目前为止我们只用到单输出通道。 多输入和输出通道，可以用多个卷积核提取不同的特定的模式，最后加权，得到一个组合的模
多输入通道（互相关） 例如彩色图像具有标准的RGB通道来代表红、绿和蓝。当我们添加通道时，我们的输入和隐藏的表示都变成了三维张量。例如，每个RGB输入图像具有3×h×w3×h×w的形状。 将这些张量ci连结在一起可以得到形状为ci×kh×kw的卷积核。由于输入和卷积核都有ci个通道，我们可
#学自深度学习5.1章 在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。图5.1中的输出数组高和宽分别为2，其中的4
import torch import torch.nn as nn '''二维卷积层''' '''该函数计算二维互相关运算''' def corr2d(X,K): h,w=K.shape #首先构造出运算过后的矩阵形状并用0填充 Y=torch.zeros((X.shape[0]-h+1,X.shape[1]-w+1)) for i in range(Y
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的通道数相同的卷积核。以1维卷积为例，卷积窗口大小为1*1，输入有三个通道，所以卷积的通道数也应该为3个通道。如下图所示，输入的数据有三个通道，卷积也有三个通道，每个通道都是一个1维的卷积核且卷积核的大
