理解卷积神经网络中的channel

在一般的深度学习框架的 conv2d 中，如 tensorflow、mxnet，channel 都是必填的一个参数

在 tensorflow 中，对于输入样本中 channels 的含义，一般是RGB图片，channels的数量是3（R、G、B）。而灰度图是的channels是1；

mxnet 中，一般channels的含义是：每个卷积层中卷积核的数量。

为了更好的理解，下面举个例子。图片来自 吴恩达老师的深度学习课程

假设有一个 6x6x3的图片样本，使用 3x3x3的卷积核。此时输入的 channels 为3。而卷积核中的 in_channels 与需要进行卷积操作的数据channels一致

卷积：27个数字分别与样本对应相乘，在进行求和，得到第一个结果。依次进行，最终得到 4x4 的结果

由于只有一个卷积核，最终得到的结果是 4x4x1，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 4x4x2 的结果

总结一下，把上面提到的channels分为三种：

　　1. 最初图片的输入样本channels，取决于图片类型，比如RGB；

　　2. 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 in_channels;

　　3. 卷积核中的 in_channels，刚刚2中已经说了，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

其实在CNN中，搞清楚每一层的传递关系，主要就是height、width的变化情况，以及 channels 的变化情况

在看看 tensorflow 中 tf.nn.conv2d 的 input 和 filter 这两个参数

input : [batch，in_height，in_width，in_channels]

filter : [filter_height，filter_width，in_channels，out_channels]

参考地址：

https://blog.csdn.net/sscc_learning/article/details/79814146