【深度学习基础】如何理解卷积神经网络中的通道channel

什么是通道channel

【CNN】理解卷积神经网络中的通道 channel

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）；而monochrome图片，channels 数量是 1 。

其次，mxnet 中提到的，一般 channels 的含义是，每个卷积层中卷积核的数量。

举例：假设现有一个为 6×6×3 的图片样本，使用 3×3×3 的卷积核（filter）进行卷积操作。此时输入图片的 channels 为 3 ，而卷积核中的 in_channels 与 需要进行卷积操作的数据的 channels 一致（这里就是图片样本，为3）。

接下来，进行卷积操作，卷积核中的27个数字与分别与样本对应相乘后，再进行求和，得到第一个结果。依次进行，最终得到 4×4 的结果。

上面步骤完成后，由于只有一个卷积核，所以最终得到的结果为 4×4×1 ， out_channels 为 1 。

在实际应用中，都会使用多个卷积核。这里如果再加一个卷积核，就会得到 4×4×2 的结果。

总结

• 最初输入的图片样本的 channels ，取决于图片类型，比如RGB；
• 卷积操作完成后输出的 out_channels ，取决于卷积核的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels；
• 卷积核中的 in_channels ，就是上一次卷积的 out_channels ，如果是第一次做卷积，就是1中样本图片的 channels 。

本博客文章首先发布于个人博客网站：https://www.mahaofei.com/，欢迎大家访问。