在深度學習的演算法學習中，都會提到channels這個概念。在一般的深度學習框架的conv2d中，如 tensorflow 、mxnet ，channels都是必填的乙個引數。
channels該如何理解？先看一看不同框架中的解釋文件。
首先，是 tensorflow 中給出的，對於輸入樣本中channels的含義。一般的rgb，channels數量是 3 （紅、綠、藍）；而monochrome，channels數量是 1 。
channels: number of color channels in the example images. for color images, the number of channels is 3 (red, green, blue). for monochrome images, there is just 1 channel (black). ——tensorflow其次，mxnet 中提到的，一般
channels的含義是，每個卷積層中卷積核的數量。
channels(int) : the dimensionality of the output space, i.e. the number of output channels (filters) in the convolution. ——mxnet為了更直觀的理解，下面舉個例子，使用自 吳恩達老師的深度學習課程 。
如下圖，假設現有乙個為 6×6×3
的樣本，使用 3×3×3 的卷積核（filter）進行卷積操作。此時輸入的channels為 3
，而卷積核中的in_channels與 需要進行卷積操作的資料的channels一致（這裡就是樣本，為3）。
接下來，進行卷積操作，卷積核中的27個數字與分別與樣本對應相乘後，再進行求和，得到第乙個結果。依次進行，最終得到 4×4
的結果。
上面步驟完成後，由於只有乙個卷積核，所以最終得到的結果為 4×4×1
，out_channels為 1
在實際應用中，都會使用多個卷積核。這裡如果再加乙個卷積核，就會得到 4×4×2
的結果。
總結一下，我偏好把上面提到的channels分為三種：
最初輸入的樣本的channels，取決於型別，比如rgb；
卷積操作完成後輸出的out_channels，取決於卷積核的數量。此時的out_channels也會作為下一次卷積時的卷積核的in_channels；
卷積核中的in_channels，剛剛2中已經說了，就是上一次卷積的out_channels，如果是第一次做卷積，就是1中樣本的channels。
說到這裡，相信已經把channels講的很清楚了。在cnn中，想搞清楚每一層的傳遞關係，主要就是height,width的變化情況，和channels的變化情況。
最後再看看 tensorflow 中tf.nn.conv2d的input和filter這兩個引數。
input : [batch, in_height, in_width, in_channels]，
filter : [filter_height, filter_width, in_channels, out_channels]。
裡面的含義是不是很清楚了？
理解卷積神經網路中的通道 channel
6 36 6 3 的樣本，使用 3 3 33 3 3 的卷積核 filter 進行卷積操作。此時輸入的channels為 3 3 而卷積核中的in channels與 需要進行卷積操作的資料的channels一致 這裡就是樣本，為3 4 4 4 的結果。4 14 4 1 out channels為 ...
pipeline和channel的區別
在golang中，學到channel時，往往都會產生一些疑惑，和channel的區別是什麼？以下就是區別 difference channel pipeline structure streams of a go type unstructured streams of bytes platform...
卷積和反卷積
n image h 2 pad h kernel h stride h 1 image w 2 pad w kernel w stride w 1 image h 輸入影象的高度 image w 輸入影象的寬度 pad h 在輸入影象的高度方向兩邊各增加pad h個單位長度 因為有兩邊，所以乘以2 ...