卷积网络通道理解

卷积网络中的通道(Channel)理解

在卷积网络中存在一个关键的概念叫做通道（Channel）或称作特征图（feature map）。
该网络主要包含两种基本操作：一是卷积(Convolution)二是池化(Pooling)。
值得注意的是，在这些操作中，并没有涉及不同渠道间的相互作用仅限于每个渠道内部的操作。
相比之下 卷积层能够在各渠道间建立联系并创造出新的渠道 其中最突出的例子就是广泛应用于深度学习模型中的Incept-Net中的这种1×1的空间压缩卷积技术。

一般我们说图像的通道，有两种含义的解释

第一是图像的颜色通道体系（其中一种典型的颜色基元就是RGB），第二是特征图层（即卷积神经网络中用于计算结果的部分），其输出通道数为out_channel

第一是图像的颜色通道体系（其中一种典型的颜色基元就是RGB），第二是特征图层（即卷积神经网络中用于计算结果的部分），其输出通道数为out_channel

实际上，两者本质上是相同的，都是表示之前输入上某个特征分布的数据。

那么先来看看为什么可以说它们是相同的。

一、图像的色彩通道

通道这一概念最初代表了电子图片中的RGB 通道以及 CMYK 色彩方案等基本色彩组织形式。例如一张具有 RGB 格式的 64×64 像素图像可以通过一个维度为 (64, 64, 3) 的三维张量来进