CNN多个channel的卷积计算

1. 对于一个channel的图像，卷积计算很简单

     例如：若有10个卷积核，则卷积输出10个feature map

      一个卷积核得到的特征提取是不充分的，我们可以添加多个卷积核，比如32个卷积核，从而可以学习32种特征。

 

2. 对多个channel的图像

    与单channel卷积有个共同点需要记住：有几个卷积核，就会输出几个Feature map

• 简而言之，在某个卷积层中，可以有多个卷积核：下一层需要多少个feather map，本层就需要多少个卷积核

    举例：

           输入图片尺寸：高度 H ，宽度 W，图片channel  C，一般使用RGB三通道。

           卷积核： 卷积核大小 K * K，由于输入图片的channel是 C，因此卷积核就是 K *  K * C 大小的。这里需要记住，卷积核的

                           最后一维一定跟输入图片的channel是相同的。

            对于RGB三通道图像，在指定kernel_size的前提下，真正的卷积核大小是kernel_size*kernel_size * 3。 

          卷积过程：对一个卷积核kernel_size*kernel_size * 3，在各个channel上分别执行二维卷积，然后将各个channel的相加，最终得到的是一个 二维卷积结果。

          举例而言，对7x7x3这种RGB三通道的输入是如何卷积的？

          7x7x3的张量，卷积核W0也必须最后一维是3的张量，这里卷积核W0的单个子矩阵维度为3x3。那么卷积核W0实际上是一个3x3x3的张量。卷积过程：这里是张量的卷积，即两个张量的3个子矩阵卷积后，再把卷积的结果相加后再加上偏倚b。得到一个卷积结果。步幅Stride为2、有两个卷积核W0和W1，则卷积结果为：卷积的结果是一个3x3x2的张量。