【卷积通道】关于卷积中的channels的理解_不同channel的卷积核参数

inspired by

blog and passage and 《pytorch机器学习-从入门到实践》p103

上面提到的passage是一个非常容易理解的，将特征提取可视化的一个文章，强烈建议读一下

总结有以下几点：

1. 卷积核的参数

卷积核又可称为滤波器，在pytorch中称为卷积核（kernel）
其参数有两个，一个是大小，一个是深度。
大小即为其尺寸，深度即为channels

卷积核深度必须和输入数据的通道数一致，同一层(通道)中，整个图像使用的卷积核（过滤器）是一样的，这就称为权值共享。

不同的卷积核可以得到图像的不同映射下的特征，成为特征映射。
另外，同一个卷积核（滤波器）共享的参数还有偏置参数，同一种滤波器共享一个。

卷积核的尺寸即卷积核所处理的节点矩阵的长和宽都是人为指定的，一般为3×3或者5×5.

2.通道和特征的关系

一个通道为一个特征的体现，比如R通道，体现的就是通过R过滤器，获得红光的输出。卷积核处理的深度（通道数）和当前层的节点矩阵深度是一致的。如下图所示，输入数据尺寸为3×32×32，卷积核尺寸为3×5×5，卷积核的数量为5，需要说明的是，卷积核的数量是超参数，需要人为设置，且卷积层的输出深度就是卷积核的数量

[卷积核结构示意图]

我们通过对一定范围的特征图进行卷积，可以将多个特征组合出来的模式抽取成一个特征，获得下一个特征图。之后再继续，对特征图进行卷积，特征之间继续组合，获得更复杂的特征图.我将一过程可以理解为通道为256个，表示色彩为0~255的256个通道，R生成R的特征图，G生成G的特征图，这么多特征组合起来，抽取成为一个特征，获得下一个特征图，依此卷积抽取特征，最后获得一个1维向量，如果是分类任务，假如第一个数是代表猫特征，第二个数代表狗特征，第三个代表人，从里面选数值最大那个当做分类的种类就好了。