CNN卷积中卷积层，卷积核，通道概念及卷积过程详解

1.卷积层，卷积核，通道概念及作用

卷积层：又称滤波器（filter）或者内核（kernel）,TensorFlow文档中称之为滤波器（filter）。用于对输入的图像结构进行特征提取。

卷积核：同上卷积层。

通道：指滤波器的个数。输出的通道层数只与当前滤波器的通道个数有关。

其中输入层，黑白图像的通道数为1，彩色图像的通道个数为3（RGB）

2.卷积过程

如图一（源于网络）所示（彩色图像为例）：

如图所示，输入层的图像为6*6*3，3表示RGB各一层，现在使用的是通道数为2 ，滤波器为2的卷积层去进行卷积操作。

解释：

（1）滤波器的个数为什么等于2：因为图中黄色部份为滤波器所以为2

（2）为什么滤波器是3*3*3：前两个参数表示滤波器的宽高为自己设定，这里假设为3*3，最有一个参数为输入数据的通道数，由于输入数据为三通道，所以本例最后一个参数为3（若为黑白图像则第一次的通道式为1，即3*3*1）

（3）为什么卷积后会变成蓝色4*4*1：这里使用到的步长为1（即滤波器的每次移动步长为1），然后每次卷积完对本次滤波器上的值进行相加得到一个滤波器，还记得上边说的输出的通道数只与滤波器的通道数有关吗？这里就是，有两个通道的滤波器，所以会产生蓝紫色的方阵。

 

写到这里可能有小伙伴会问：黄色的滤波器的通道数不是为3吗？

其实是的，黄色滤波器的个数的确为3，不然也不能对彩色输入图像进行卷积操作。但是这里的滤波器的通道数的意思是产生两个黄色的3*3*3的方阵，图中产生了两个黄色的方阵，所以说滤波器的通道数为2，而每一个滤波器层为了和上面的输出数据进行卷积提取特征，所以每一个滤波器的通道数与提取数据的通道数相同。

小伙伴们可以猜猜下次每一个滤波器层应该为几个通道？（黄色的方块应该是m*m*n）n等于几呢

答案是：n=2,因为本次卷积完只剩下了蓝紫两个方阵了。

 

卷积层参数个数=h*w*l*c 参数含义：h,w为滤波器的宽高本次为（3*3），l为输入数据的通道数本次为3，c为卷积层的通道数本次为2，所以本例的参数个数为3*3*3*2