卷积的in_channel与out_channel

刚学时写的很浅显的文章，建议大家看

【CNN】理解卷积神经网络中的通道 channel_cnn_scxyz_-DevPress官方社区在深度学习的算法学习中，都会提到 channels这个概念。在一般的深度学习框架的 conv2d 中，如 tensorflow 、mxnet ，channels 都是必填的一个参数。channels 该如何理解？先看一看不同框架中的解释文档。首先，是 tensorflow 中给出的，对于输入样本中 channels 的含义。一般的RGB图片，channels 数量是 3 （红、绿、蓝）... scxyz_ DevPress官方社区https://aistudio.csdn.net/62e38a9fcd38997446774d77.html?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2~default~CTRLIST~activity-1-79814146-blog-122789563.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2~default~CTRLIST~activity-1-79814146-blog-122789563.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=1更加全面，讲的也很好

CNN中feature map、卷积核、卷积核个数、filter、channel_卷积层卷积核个数_xiewenbo的博客-CSDN博客只需要一句话就解释清楚了：不管输入图像的深度为多少，经过一个卷积核（filter），最后都通过下面的公式变成一个深度为1的特征图。 也就是说不管卷积核深度是多少（卷积核的深度和要被卷积的原始神经元的深度要一样），而卷积会合并卷积深度为1，我想这才是很多人疑惑的地方，其他的没什么好疑惑的。这里还是想强调一下，卷积核(filter)的channel数，其实是与输入图像相同的，所以常常会省略不写，只...https://blog.csdn.net/xiewenbo/article/details/96509195在我们平时看的网络结构当中，由于卷积核的深度往往与输入的深度相同，因此往往会省略。

例如输入的是一张RGB的图片，可以这样来表示（512×512×3），512×512代表图片的大小（512*512个像素点），而RGB图像的深度有三层。

那么要想与这样的一张RGB图像进行卷积操作就意味着卷积核的深度也为3层，图像的第一层与卷积核的第一层进行卷积，第二层与卷积核的第二层进行卷积，第三层与第三层进行卷积，分别卷积后再进行累加：

 每一层分别卷积之后进行累加，得到一层的输出。

 

最后的输出的结果也就是特征层的深度为1.

如果这张图片和多个卷积核进行卷积计算，那么输出的层数也就会增加（这也就是输出通道的个数）

卷积核的个数=输出通道

而输入通道等于输入的深度（而卷积核的深度与输入的深度一样（为了每一层对应计算嘛），因此卷积核的输入通道往往省略不写）。