多通道卷积简明讲解

多通道卷积简明讲解

单输入多输出通道

假设输入为单通道的灰度图像，输出为3通道的卷积操作，则kernel有3个，假设kernel大小为3*3，则Pytorch对应代码为：

conv1 = nn.Conv2d(in_channels=1, out_channels=3, kernel_size=3)

多输入单输出通道

假设输入为2通道（X1, X2），输出为单通道，则kernel有2个(W1, W2)，假设大小为3*3，输出为W1 * X2+W2 * X2，Pytorch对应代码为：

conv2 = nn.Conv2d(in_channels=2, out_channels=1, kernel_size=3)

多输入多输出通道

假设输入为2通道，输出为3通道，则kernel有6个，假设大小为3*3，相应的运算如上图所示，这里就不再赘述了，对应的Pytorch代码为：

conv3 = nn.Conv2d(in_channels=2, out_channels=3, kernel_size=3)

总结

从上面的例子中我们可以看出，卷积时kernel的个数由in_channels和out_channels相乘得到。

References

what is a channel in a CNN

Multiple Input and Output Channels