如何理解卷积神经网络中的通道（channel）

Medlen 于 2020-11-22 09:16:15 发布 31359 收藏 624 分类专栏：机器学习&深度学习文章标签：卷积神经网络通道 channel 深度学习 cnn 版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。本文链接： https://blog.csdn/weixin_38481963/article/details/109920512 版权

    <div id="blogColumnPayAdvert">
        <div class="column-group">
            <div class="column-group-item column-group0 column-group-item-one">
                <div class="item-l">
                    <a class="item-target" href="https://blog.csdn/weixin_38481963/category_10236967.html" target="_blank" title="机器学习&amp;深度学习" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.6332&quot;}">
                        <img class="item-target" src="https://img-blog.csdnimg/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64" alt="">
                        <span class="title item-target">
                            <span>
                            <span class="tit">机器学习&amp;深度学习</span>
                                <span class="dec">专栏收录该内容</span>
                            </span>
                        </span>
                    </a>
                </div>
                <div class="item-m">
                    <span>8 篇文章</span>
                    <span>14 订阅</span>
                </div>
                <div class="item-r">
                        <a class="item-target article-column-bt articleColumnFreeBt" data-id="10236967">订阅专栏</a>
                </div>
            </div>
        </div>
    </div>
<article class="baidu_pl">
    <div id="article_content" class="article_content clearfix">
    <link rel="stylesheet" href="https://csdnimg/release/blogv2/dist/mdeditor/css/editerView/kdoc_html_views-72cc5cd3d1.css">
    <link rel="stylesheet" href="https://csdnimg/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-6e43165c0a.css">
            <div id="content_views" class="markdown_views prism-github-gist">
                <svg xmlns="http://www.w3/2000/svg" style="display: none;">
                    <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
                </svg>
                <p>在卷积<a href="https://so.csdn/so/search?q=%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C&amp;spm=1001.2101.3001.7020" target="_blank" class="hl hl-1" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.7020&quot;,&quot;dest&quot;:&quot;https://so.csdn/so/search?q=%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C&amp;spm=1001.2101.3001.7020&quot;,&quot;extra&quot;:&quot;{\&quot;searchword\&quot;:\&quot;神经网络\&quot;}&quot;}" data-tit="神经网络" data-pretit="神经网络">神经网络</a>中我们通常需要输入 <code>in_channels</code> 和 <code>out_channels</code> ，即输入通道数和输出通道数，它们代表什么意思呢？本文将给出一个形象的理解。</p>

对于通道的理解可以参考下面的这篇文章：

【CNN】理解卷积神经网络中的通道 channel

这里我稍微总结一下核心观点：

对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。
卷积完成之后，输出的通道数 out_channels 取决于过滤器的数量。从这个方向理解，这里的 out_channels 设置的就是过滤器的数目。
对于第二层或者更多层的卷积，此时的 in_channels 就是上一层的 out_channels ， out_channels 还是取决于过滤器数目。

在第2条我用的是过滤器，而不是卷积核，跟原作者观点有些不同，因为我认为在这里用过滤器描述更合适。卷积核和过滤器的区别可以看我的这篇文章卷积核（kernel）和过滤器（filter）的区别

对于第1点可以参考下图：

这里输入通道数是3，每个通道都需要跟一个卷积核做卷积运算，然后将结果相加得到一个特征图的输出，这里有4个过滤器，因此得到4个特征图的输出，输出通道数为4。

单个特征图的计算可看下图：

再来看一下单通道的例子：

输入是灰色图片，输入通道数是1，卷积核有3个，做三次卷积操作，生成3个特征图，输出通道数为3。

单通道特征图的计算为：

这里可能会有人有疑惑为什么图片的类型是RGB的，它的通道数就是3呢？

这里要从计算机如何识别图片来考虑。在人眼中看到的图片是五颜六色，对于计算机来说就只是数字。那么计算机如何分辨图片颜色呢？——RGB。所有颜色都可以用这三种颜色来表示，因此我们只需要三个数字就可以表示一种颜色。

下图是我随机选择的几个颜色的RGB表示：

计算机要表示整张图片，就是用数字去表示整张图片的所有像素，但是每个像素需要三个数值来表示，于是就有了图片的3通道。每个通道分别表示RGB三种颜色。

最初的通道数是3，但是有的神经网络通道数目多达100多个，怎么理解呢？

我们依然可以类比RGB通道，对于多通道我们可以看做是颜色表示的更抽象版本，每一个通道都表示图像某一方面的信息。

文章知识点与官方知识档案匹配，可进一步学习相关知识 Python入门技能树首页概览 218612 人正在系统学习中 Medlen 关注关注

238 点赞
踩
624 收藏
打赏
26 评论

如何理解卷积神经网络中的通道（channel）在卷积神经网络中我们通常需要输入 in_channels 和 out_channels ，即输入通道数和输出通道数，它们代表什么意思呢？本文将给出一个形象的理解。对于通道的理解可以参考下面的这篇文章：【CNN】理解卷积神经网络中的通道 channel这里我稍微总结一下核心观点：对于最初输入图片样本的通道数 in_channels 取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。卷积完成之后，输出的通道数 out_channels 取决于过滤器的数量。复制链接扫一扫

                </div>
                <div class="share-code-type"><p class="hot" data-type="hot"><span>热门</span></p><p class="vip" data-type="vip"><span>VIP</span></p></div>
            </div>
        </li>
    </ul>
    </div>
    <div class="toolbox-right">
            <div class="tool-directory">
                <a class="bt-columnlist-show" data-id="10236967" data-free="true" data-subscribe="false" data-title="机器学习&amp;深度学习" data-img="https://img-blog.csdnimg/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64" data-url="https://blog.csdn/weixin_38481963/category_10236967.html" data-sum="8" data-people="14" data-price="0" data-oldprice="0" data-join="false" data-studyvip="false" data-studysubscribe="false" data-report-click="{&quot;spm&quot;:&quot;1001.2101.3001.6334&quot;,&quot;extend1&quot;:&quot;专栏目录&quot;}">专栏目录</a>
            </div>
    </div>
</div>

神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念） m0_54634272的博客 01-02 321 神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）评论 26 条写评论追风少年Rambler 热评好文，点个赞让更多人看到！评论写评论 ...网络中的通道( channel)_叹久01的博客_ 卷积神经网络 通道 1-22 卷积完成之后,输出的通道数out_ channels取决于过滤器的数量。从这个方向理解,这里的out_ channels设置的就是过滤器的数目。对于第二层或者更多层的卷积,此时的in_ channels就是上一层的out_ channels,out_ channels还是取决于过滤器数目。在... ...网络的通道数_快乐的小荣荣的博客_ 卷积神经网络 通道数 1-19 卷积神经网络 中特征图同一通道内的所有像素共享一组卷积核权重系数,该性质被称为权重共享(weightsharing)。权重共享将 卷积神经网络和其它包含局部连接结构的神经网络相区分,后者虽然使用了稀疏连接,但不同连接的权重是不同的。权重共享和稀... 如何理解一张RGB图片经过 卷积神经网络后通道数增加学无止境、积少成多、厚积薄发 08-07 3184 https://blog.csdn/briblue/article/details/83063170 https://blog.csdn/cpluss/article/details/81709998 https://www.jianshu/p/1ea2949c0056 理解 卷积神经网络 中的通道 channel xys430381_1的专栏 06-05 1万+ 原文链接：https://blog.csdn/sscc_learning/article/details/79814146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 tensorflo... 卷积神经网络( CNN)的通道计算过程(卷积网络的参数量计算方法、计算量计... 1-27 总结其计算过程为:首先,每个通道内对应位置元素相乘再相加,最后计算所有通道的总和作为最终结果。这里记住一个规律,卷积核的 Channel 通道数等于Input输入的通道数,Output输出的通道数等于卷积核的个数。 卷积神经网络 中的卷积反卷积及池化计算公式、特征图通道数(维度)变化... 1-25 卷积、反卷积和池化操作均可改变图像尺寸大小,但池化操作不会改变图像的通道数,而卷积与反卷积通常会改变图像的通道数。 2.特征图通道数(维度)变化经过卷积运算输出的特征图通道数仅由卷积核的个数决定,随各卷积层中卷积核的个数变化...

卷积神经网络每一层输出的形状、通道数、特征图数量以及过滤器数量的理解与计算。 weixin_51286347的博客 11-10 628 卷积神经网络 中的一些易混淆概念 CNN 理解神经网络中卷积(大小，通道数，深度) 热门推荐 ThorKing01的博客 05-23 2万+ 记录一些之前学习中理解不透彻或者有偏差的知识

首先，对于卷积核（或称为卷积过滤器）的大小，一个卷积核的通道数与它进行卷积的输入必须是相同。

例如：32323的图像的卷积核通道数必须是3,如553。

在这个卷积核中三层卷积的参数是相同的（对于三个通道而言）。

其次，对于卷积运算，一个卷积核经过计算得到的一定是一个映射，一个数字。

接着，对于卷积核的深度，就是有几个卷积核。下图中…

神经网络及 CNN 中的通道、共享权重、特征映射等的理解 zhu_Lydia的博客 03-15 2万+ 一、神经网络

先回顾一下多层神经网络:
多层神经网络包括一个输入层和一个输出层，中间有多个隐藏层。每层有若干个神经元，相邻两层之间的后一层的每个神经元都分别与前一层的所有神经元连接。在识别问题中，输入层（即网络的第一层）代表特征向量，其每一个神经元代表一个特征值。

多层神经网络在图像识别问题中，输入层的每一个神经元可能代表一个像素的灰度值。但这种神经网络用于图像识别有几个问题，一是没有考虑图…

卷积神经网络有哪些算法, 卷积神经网络算法实现 m0_54846070的博客 08-05 1190 卷积神经网络（ConvolutionalNeuralNetwork, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternatingconvolutionallayer)和池层(poolinglayer)。 卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。... 卷积神经网络卷积核的输入通道数与输出通道数 qq_44662196的博客 08-05 4942 卷积核的输入通道数与输入数据的通道数对应。

举例说明，RGB图像，为R，G，B三通道图像，通道数为3，对应的卷积核输入通道数也要为3

黑白灰度图像，只用一个二维矩阵即可表示，通道数为1，对应的卷积核的输入通道数为1

通道数假设为n,则卷积核是kernel_sizekernel_sizen,即一个卷积核由n个不同的权重矩阵组成，一个权重矩阵是一个kernel_size*kernel_size大小的方阵，

卷积核的输出通道数与卷积核的数量对应。

有几个卷积核就对应几个输出通道，，最后输出的张量是.

神经网络中的通道( channel) weixin_46568462的博客 03-31 1952 卷积神经网络 中 channels 分为三种

(1)最初输入图片样本的 channels ，取决于图片类型，比如RGB, channels=3(下图)

6x6x3的图像样本，其中图像的大小(像素)为6x6，通道数为3

(2)卷积操作完成后的 out_channels ，取决于卷积核的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels

假设现有一个6x6x3的图片样本，使用3x3x3的卷积核（filter）进行卷积操作。此时输入图片的chann…

学习笔记4-卷积操作（附相关代码）、 channels含义（ in_ channels、卷积 channels、out_ channels ） LZL2020LZL的博客 10-18 3117 ** torch.nn模块包含torch已经准备好的卷积层、池化层、激活函数层、循环层、全连接层。 ** 本文将分别展开进行阐述：卷积层、池化层、激活函数层、循环层、全连接层。 1.卷积层二维卷积运算过程示意图如下图所示：

相信大家和我一样可能道理我们都懂但是一遇到代码就蒙圈，那我们接下来就来看看如何使用torch.nn模块进行卷积操作。
首先附上一张常用卷积操作对应类的命名

#承接上图以2x2卷积操作为例，其调用方式为：
torch.nn.conv2d(in_channels=3, #(整数）输入图

怎么理解tf.nn,conv2d( 卷积神经网络)的图像通道数 qisheng_com的博客 08-13 7891 关注微信公众号获取更多:

其实"图像通道数"就是图像的xx，呵呵…，其实这里的图像通道数其实是叫做“图像的色彩通道数”，还是来看例子理解吧！
如每一张图片的大小为28281，则表示图片的大小为28*28的像素，*1表示是黑白的，即为一个色彩通道

同理，28283，则表示图片的大小为28*28，*3表示彩色的，即为三个色彩通道。

如果一张彩色图片表示成三位矩阵的…

</div>

卷积神经网络 中通道（ Channel）的理解最新发布 qq_54733030的博客 01-05 45 卷积神经网络 中通道（ Channel）的理解常用的 卷积神经网络-1-卷积和通道 u012744245的博客 01-08 2308 文章目录 CNN1. CNN基本结构2. 卷积和通道2.1 分组卷积（Group Convolution）2.2 Convolution VS Group Convolution2.3 Group Convolution的用途2.4 Depthwise Convolution && Pointwise Convolution && Depthwise Separable Convolution2.5 Group Convolution 和 Depthwise + Pointwi 图解神经网络：卷积、池化、全连接（通道数问题、kernel与filter的概念） 1900的博客 01-08 7960 卷积、池化、全连接操作、通道数计算、filter、kernel 拾遗- 卷积神经网络关于通道数改变鱼之天空的博客 02-16 1万+ 以RGB图像为例。

一个1212的像素图，对其进行55的卷积，最后得到一个8*8的像素图。

RGB图像有3个通道（12123），所以卷积核也要有3个通道（553），对像素图进行卷积后得到的结果是881而不是883的图像。最后像素图的深度（输出图像的信道数）取决于卷积核的个数。

如果要得到88256的结果，应该这样做：用256个553的卷积核来卷12123的…