CNN卷积中多通道卷积的参数问题

     卷积过程对 一个通道的图像进行卷积， 比如10个卷积核，得到10个feature map， 那么输入图像为RGB三个通道呢，输出就为 30个feature map 吗， 答案肯定不是的， 输出的个数依然是 卷积核的个数，仍然是10个featuremap， 每一层输出feature map 个数 就是该层卷积核的个数。

下面是具体的细节：

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，可以学习32种特征。在有多个卷积核时，如下图所示：输出就为32个feature map

 

 

 

 多通道多个卷积核

 

下图展示了在四个通道上的卷积操作，有两个卷积核，生成两个通道。其中需要注意的是，四个通道上每个通道对应一个2*2的卷积核，这4个2*2的卷积核上的参数是不一样的，之所以说它是1个卷积核，是因为把它看成了一个4*2*2的卷积核，4代表一开始卷积的通道数，2*2是卷积核的尺寸，实际卷积的时候其实就是4个2*2的卷积核（这四个2*2的卷积核的参数是不同的）分别去卷积对应的4个通道，然后相加，再加上偏置b，注意b对于这四通道而言是共享的，所以b的个数是和最终的featuremap的个数相同的，先将w2忽略，只看w1，那么在通道的某位置（i,j）处的值，是由四个通道上（i,j）处的卷积结果相加，再加上偏置b1，然后再取激活函数值得到的。  所以最后得到两个feature map， 即输出层的卷积核个数为 feature map 的个数。也就是说卷积核的个数=最终的featuremap的个数，卷积核的大小=开始进行卷积的通道数*每个通道上进行卷积的二维卷积核的尺寸（此处就是4*（2*2）），b（偏置）的个数=卷积核的个数=featuremap的个数。

下图中k代表featuremap的个数，W的大小是（4*2*2）

所以，在上图由4个通道卷积得到2个通道的过程中，参数的数目为4×（2×2）×2+2个，其中4表示4个通道，第一个2*2表示卷积核的大小，第三个2表示生成的featuremap个数，也就是得到的2通道的feature map，也就是生成的通道数，最后的2代表偏置b的个数。

参考博客：https://blog.csdn.net/u014114990/article/details/51125776