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？
輸入層與卷積核，需要有相同的channel數。
說白了，乙個3通道的影象想要經歷一次卷積，需要3個卷積核，它們各自計算的結果加起來，才可以形成乙個feature map。
想要得到乙個feature map（乙個通道）的卷積結果，需要3個3*3大小的卷積核，那麼32個通道則需要3*3*3*32=864個引數。
不要忘記了，還有bias的存在，1個通道需要1個bias， 最終32個通道需要32個bias。所以，計算結果為864+32=896個引數。
多通道卷積計算
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...
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...