在阅读PyTorch 中的一维卷积时，我遇到了channels
in_channels (int) – Number of channels in the input image
out_channels (int) – Number of channels produced by the convolution
虽然我很早就遇到了渠道的这个概念，但我对渠道感到困惑，可能会以错误的方式理解。
由于我们讨论的操作是一维卷积，那么就会有两个数字列表，一个是输入列表，另一个是过滤器列表。最后一个是特征图（输出列表）。
它们看起来像下面
左边是输入列表，中间是过滤器列表，最右边是输出列表。
输入列表中的每个单元格都包含一个整数。每个单元格可以在固定范围内取值的数字。
这里使用的渠道是什么概念？渠道从何而来？通道数是否代表相应列表中的元素数？
通道可以被认为是同一空间中的交替数字。
例如，典型图像的三个颜色通道通常是从图片中的每个位置接收到的红光、绿光或蓝光量的值。
您的一维卷积示例有一个输入通道和一个输出通道。根据输入表示的内容，您可能有其他输入通道表示在同一输入空间中测量的其他值。除了最简单的问题之外，您将拥有多个输出通道。每层中的通道数量可能会有所不同，类似于全连接神经网络中隐藏层的大小可能会有所不同。
术语“特征图”与通道的含义相同，通常用于描述隐藏层的输出。
从 N 个输入通道映射到 M 个输出通道需要过滤器。M 个输出中的每一个都通过一个滤波器连接到 N 个输入中的每一个，并且将运行这 N 个卷积的结果相加并通过一个非线性激活函数来生成一个输出通道。
虽然抽象地说，通道是一种维度，但通道被认为与正在处理的空间完全分离。因此，将通道添加到 1D 示例不会使其成为 2D 卷积神经网络。