深度学习基础知识——Conv中通道变换

在学习VGGNet框架时，发现每一卷积段第一个conv时，通过conv2d(kernel_size=3, stride=1, padding=same, kernel_num=m) ，就可以将一个通道数为n的feature map转变为通道数为m。

  假设输入一张RGB图片，其大小为267*267*3，那边其对应计算的卷积核的通道数也为3。
  但是卷积运算里，当一次运算会得到3张特征图，最后三张特征图对通过加运算合并为一张特征图，也就是说多通道会变成单通道，那输出的通道并不为1。
  这是因为在运算时，往往会通过增加卷积核的数量去添加通道数。
值得注意的是，同一卷积核内不同的通道参数权重是不共享的。

  与此同时，卷积核在物理上可以理解成提取某种特征，而多个卷积核就是提取多个特征。这里也解释了为什么我们要增加通道数。（channel即特征数）。这里可能会有人觉得因为权值共享，所以这几个卷积核的参数一样，但是参数一样就得不到不同的特征了，因此我们再来回顾一下什么是参数共享：
权值共享：权值共享就是滤波器共享，滤波器的参数是固定的，即是用相同的滤波器去扫一遍图像，提取一次特征特征，得到featuremap。
我们可以知道这里的意思是用相同的卷积核扫描整张图，而权重共享也是LeNet论文中提出的一大特点。

如果后续有关该方面的问题会持续更新