對於單通道影象，若利用10個卷積核進行卷積計算，可以得到10個特徵圖；若輸入為多通道影象，則輸出特徵圖的個數依然是卷積核的個數（10個）。
1.單通道多個卷積核卷積計算
乙個卷積核得到的特徵提取是不充分的，我們可以新增多個卷積核，比如32個卷積核，從而可以學習32種特徵。
2.多通道多個卷積核卷積計算
：假設的寬度為width:w，高度為height:h，的通道數為d，一般目前都用rgb三通道d=3，為了通用性，通道數用d表示；
卷積核：卷積核大小為k*k，由於處理的是d通道的，因此卷積核其實也就是k*k*d大小的，因此，對於rgb三通道影象，在指定kernel_size的前提下，真正的卷積核大小是kernel_size*kernel_size*3。
對於d通道影象的各通道而言，是在每個通道上分別執行二維卷積，然後將d個通道加起來，得到該位置的二維卷積輸出，對於rgb三通道影象而言，就是在r，g，b三個通道上分別使用對應的每個通道上的kernel_size*kernel_size大小的核去卷積每個通道上的w*h的影象，然後將三個通道卷積得到的輸出相加，得到二維卷積輸出結果。因此，若有m個卷積核，可得到m個二維卷積輸出結果，在有padding的情況下，能保持輸出大小和原來的一樣，因此是output(w,h,m)。
下面的圖動態形象地展示了三通道影象卷積層的計算過程：
多通道卷積引數的計算
input 3,32,32 3通道，大小為32 32的影象 output 32,30,30 32通道，大小為30 30的影象 卷積過程說明 kernel size 3,3 stride 1,1 padding 0 最終的卷積引數計算結果是 3 3 3 32 32 896 這個值是怎麼計算得出的？輸入...
PyTorch 多通道卷積
當輸入資料含多個通道時，我們需要構造乙個輸入通道數與輸入資料的通道數相同的卷積核，從而能夠與含多通道的輸入資料做互相關運算。由於輸入和卷積核各有cic ci 個通道，我們可以在各個通道上對輸入的二維陣列和卷積核的二維核陣列做互相關運算，再將這cic ci 個互相關運算的二維輸出按通道相加，得到乙個二...
單通道和多通道卷積
卷積之後的通道數只是取決於卷積核的數目，和卷積核的channel無關，卷積核的channel是和輸入的channel保持一致的。對於單通道影象，若利用10個卷積核進行卷積計算，可以得到10個特徵圖 若輸入為多通道影象，則輸出特徵圖的個數依然是卷積核的個數 10個 1.單通道多個卷積核卷積計算 乙個卷...