卷积的in_channel与out_channel

刚学时写的很浅显的文章，建议大家看

【CNN】理解卷积神经网络中的通道 channel_cnn_scxyz_-DevPress官方社区在深度学习的算法学习中，都会提到 channels这个概念。在一般的深度学习框架的 conv2d 中，如 tensorflow 、mxnet ，channels 都是必填的一个参数。channels 该如何理解？先看一看不同框架中的解释文档。首先，是 tensorflow 中给出的，对于输入样本中 channels 的含义。一般的RGB图片，channels 数量是 3 （红、绿、蓝）... scxyz_ DevPress官方社区https://aistudio.csdn.net/62e38a9fcd38997446774d77.html?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Eactivity-1-79814146-blog-122789563.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Eactivity-1-79814146-blog-122789563.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=1更加全面，讲的也很好

channel 通道，当我们将输出的out_channel更改为2，那么我们需要两个卷积核,因而对应的输出图片为两个通道。如下所示：

最后的结果都是通过一个图片，不同的卷积核，得到的图片。

若把输入的in_channel更改为2，意味着，将从两张图片来源进行卷积，从而得到的结果也就不同

总的来说，out_channel与卷积核的个数有关，因而影响结果的图片个数（也就是不同通道的结果），而in_channel与图片来源的个数有关(可以理解为不同通道的入口)。