Class21卷积层的多输入通道和多输出通道

Class21卷积层的多输入通道和多输出通道

一.多输入通道
在实际的图像处理或深度学习中，输入不仅仅是二维的，而是通常有多个通道。比如彩色图片是 RGB 的，就有三个通道（R, G, B），输入张量大小是 (C_in, H, W)，其中 C_in 是输入通道数。

每个通道都有一个卷积核，结果是所有通道卷积结果的和

二.多输出通道
我们对同一个输入通道，使用不同的卷积核，产生不同的输出通道。

每个卷积核提取的是不同的特征。比如第一个核提边缘，第二个提纹理，第三个提角点。

这三个卷积核的结果合在一起，形成一个 shape 为 (3, H_out, W_out) 的输出张量。

每个输出通道可以识别特定模式，输入通道核识别并组合输入中的模式。

三.1*1卷积层

1×1 卷积并不是“看 1 个像素”，虽然它在空间上（宽度 × 高度）只看一个位置，但它会同时操作所有输入通道。所以它并不是空间卷积，而更像是通道维度上的线性变换（或降维/升维）。

假设有输入X
输入张量可以想象为两张叠在一起的图：

现在加入一个 1×1 卷积层，输出通道设为1。
其中卷积核的作用为：它只看当前像素的两个通道的值，然后“加权融合”。

卷积核权重：

通道1权重：0.1
通道2权重：0.5

最后输出为：

1×1 卷积就是在“每个像素”位置上，把多个通道的值做一个加权混合，变成新的通道表示。它像是一个轻量版的全连接层，每个位置共享参数，对通道信息进行重组或压缩。