channel与卷积核的理解

1. channel理解

         最初输入的图片样本的 channel，取决于图片类型，比如RGB。卷积核中的 in_channels，就是要操作的图像数据的feather map张数，也就是卷积核的深度。  也就是上一次卷积的out_channels。

         如果是第一次做卷积，就是样本图片的channels，卷积操作完成后输出的 out_channels，取决于卷积核的数量（下层将产生的feather map数量）。此时的 out_channels 也会作为下一次卷积时的卷积核的in_channels。

         在CNN中，想搞清楚每一层的传递关系，主要就是 height,  width 和 channels 的变化情况。

 

2. 卷积核为什么有多个？

         我们希望在同一层建立起对图片的完整描述，与数学上构造一组基相似。在同一层，我们希望得到对于一张图片多种角度的描述，具体来讲就是用多种不同的卷积核对图像进行卷，得到不同核（这里的核可以理解为描述）上的响应，作为图像的特征。他们的联系在于形成图像在同一层次不同基上的描述。

 

3. 为什么一般随着层数的加深，卷积核的深度会加深，即卷积核变多？

         随着网络的加深，feature map 的长宽尺寸缩小，本卷积层的每个map所提取的特征越具有代表性（精华部分），所以后一层的卷积需要增加feature map 的数量，才能更为充分的提取前一层的特征，一般是成倍增加。