关于卷积神经网络的多通道

多通道输入

        当输入的数据包含多个通道时，我们需要构造一个与输入通道数相同通道数的卷积核，从而能够和输入数据做卷积运算。 假设输入的形状为n∗n，通道数为ci​，卷积核的形状为f∗f，此时，每一个输入通道都应该分配一个形状为f∗f的卷积核，所以卷积核的形状可以表示为ci​∗f∗f。

        从上图的实例中可以看出，多通道输入的计算方法就是单独计算每个通道中卷积的结果，再将不同通道得到的结果对应相加到一个通道，得到输出的结果。 

多通道输出 

        当输入通道有多个时，我们增加了卷积核的通道数，并对结果进行了累加，这样不论输入通道数为多少，输出通道数都为1。所以如果我们需要增加输出的通道，就可以增加多个多通道的卷积核，每一个多通道的卷积核可以获得一个通道的输出，这样就可以获得多通道输出了。 假设卷积核的输入通道数和输出通道数分别为ci​和co​，如果想要得到含多个通道的的输出，我们可以为每个输出分别创建一个形状为ci​∗f∗f的卷积核，然后在输出通道上将结果连接起来，就可以得到多通道的输出，最终卷积核的形状就是co​∗ci​∗f∗f。 

如何调用 Pytorch 中的多通道输入和输出 

        nn.Conv2d()中的参数in_channels，out_channels就是用于控制卷积层的输入通道数和输出通道数。

nn.Conv2d(1, 6, 5) # in_channels, out_channels, kernel_size

    上方这个示例中就定义了最简单的卷积层，其中in_channels=1，out_channels=6。

 习题

        因为输出ci输入co分别为3、10，所以卷积核的深度为3x10，卷积核的w和h需要根据步幅和填充确定。已知输入输出形状wh不变，由公式 (n-f+2p)/s+1 = n 得到（24 - 3 + 1*2）/1 + 1 = 24 与c选项一致