理解CNN中的channels

定义

一般来讲，在深度学习框架的Conv1d或Conv2d中，channels是一个必填的参数。
TensorFlow文档中对channels的定义如下所示：

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).
通道：样本图像中颜色通道的数量。RGB图像有3个通道（红色、绿色、蓝色）。单色图像只有1个通道（黑色）。

举例说明

举个简单的例子，现有一个6 * 6 * 3的样本（RGB图像），使用1个大小为3 * 3 * 3的卷积核进行卷积操作，此时该输入图像的channels就为3。卷积核的in_channels与需要进行卷积操作的数据的channels一致，这里就为3。

使用1个卷积核在RGB图像上进行卷积操作

卷积核中的27个值分别与样本对应相乘以后，再相加，得到输出结果中的第1个值；同理，以同样的方式计算得到输出结果中剩下的值。由于只有1个卷积核，所以最终输出结果的大小为4 * 4 * 1，也就是说，out_channels为1。

卷积过程

在实践中，往往会用到多个卷积核。如果我们使用2个大小均为3 * 3 * 3的卷积核，那么最终输出结果的大小为4 * 4 * 2。

多个卷积核

总结

总的来说，可以把channels分为3种：

1. 输入图像样本的channels，取决于图像类型，比如RGB；
2. 卷积操作完成后，输出的out_channels，取决于卷积核的数量；该out_channels也会作为下一次卷积操作时卷积核的in_channels；
3. 卷积核中的in_channels，如2中所描述，即上一次卷积操作的out_channels；如果是第一次卷积操作，则如1中所描述，为输入图像样本的channels。

想要弄清楚CNN中每一层的传递关系，主要就是弄清楚每一层的height、width和channels的变化。

参考资料

[1] https://blog.csdn.net/sscc_learning/article/details/79814146