我在阅读这篇研究论文（https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf）并尝试跟随GitHub上的代码。我不明白nn.Conv2d()的参数是如何确定的。对于第一个Conv2d：64@96*96是否意味着64个通道和96 x 96的卷积核大小？如果是这样，那么为什么函数中的卷积核大小是10？我已经谷歌了这些参数及其含义，从我所读到的内容来看，我理解这是(输入通道数, 输出通道数, 卷积核大小)

这是GitHub的帖子：https://github.com/fangpin/siamese-pytorch/blob/master/train.py

供参考，研究论文的第4页有模型示意图。

       self.conv = nn.Sequential(            nn.Conv2d(1, 64, 10),  # 64@96*96            nn.ReLU(inplace=True),            nn.MaxPool2d(2),  # 64@48*48            nn.Conv2d(64, 128, 7),            nn.ReLU(),    # 128@42*42            nn.MaxPool2d(2),   # 128@21*21            nn.Conv2d(128, 128, 4),            nn.ReLU(), # 128@18*18            nn.MaxPool2d(2), # 128@9*9            nn.Conv2d(128, 256, 4),            nn.ReLU(),   # 256@6*6        )        self.liner = nn.Sequential(nn.Linear(9216, 4096), nn.Sigmoid())        self.out = nn.Linear(4096, 1)

回答：

如果你查看模型示意图，它展示了两件事，

• 卷积核的参数，
• 特征图的参数（nn.Conv2D操作的输出）

例如，第一个conv2d层是64@10×10，意味着64个输出通道和10×10的卷积核。

而特征图是64@96x96，这是通过将64@10x10的卷积操作应用于105x105x1大小的输入得到的。这样你会得到64个输出通道，以及宽度和高度为105-10+1=96的尺寸。