频道与 Samples/Dimension 有何不同？
How do Channels differ from Samples/Dimension?
我对"channels"在各种数据类型中的定义感到困惑。
在 CNN 中，为什么彩色图像被归类为具有 3 通道 RGB 的 2D 数据（深度学习，Ian Goodfellow 等人）而不是 3D 数据？
在此处包含时间序列数据的 LSTM 论文中（第 4.1 节），https://arxiv.org/pdf/1702.03402.pdf
为什么作者认为它们是不同的通道而不是不同的样本？
在一些NLP的论文中，我也经常看到通道这个词。
归根结底，"channel" 直观上是什么？
每个像素是一个具有3个通道的特征，但这些特征是2D的。从某种意义上说，你是对的，不仅仅是二维特征，但在空间上它是二维的。这很重要，因为卷积运算采用的是在空间维度上滑动过滤器。
同样，字符可以被认为是具有 300D 嵌入特征的句子的特征。应用卷积时，句子被视为一维，因为滑动 window 仅沿时间维度移动。在这种情况下，嵌入可以被视为通道。
因此，这取决于您希望如何处理和解释一系列特征。通常，当涉及时间或space时，在时间和space中的每个位置上的特征称为可观察通道，在这种情况下通常使用时间-space的维度来组合可观察到有意义的单位。
我对"channels"在各种数据类型中的定义感到困惑。
在 CNN 中，为什么彩色图像被归类为具有 3 通道 RGB 的 2D 数据（深度学习，Ian Goodfellow 等人）而不是 3D 数据？
在此处包含时间序列数据的 LSTM 论文中（第 4.1 节），https://arxiv.org/pdf/1702.03402.pdf 为什么作者认为它们是不同的通道而不是不同的样本？
在一些NLP的论文中，我也经常看到通道这个词。
归根结底，"channel" 直观上是什么？
每个像素是一个具有3个通道的特征，但这些特征是2D的。从某种意义上说，你是对的，不仅仅是二维特征，但在空间上它是二维的。这很重要，因为卷积运算采用的是在空间维度上滑动过滤器。
同样，字符可以被认为是具有 300D 嵌入特征的句子的特征。应用卷积时，句子被视为一维，因为滑动 window 仅沿时间维度移动。在这种情况下，嵌入可以被视为通道。
因此，这取决于您希望如何处理和解释一系列特征。通常，当涉及时间或space时，在时间和space中的每个位置上的特征称为可观察通道，在这种情况下通常使用时间-space的维度来组合可观察到有意义的单位。