卷积网络中的通道(Channel)理解

卷积网络中的通道(Channel)理解

卷积网络中有一个很重要的概念，通道（Channel），也有叫特征图（feature map）的。

卷积网络中主要有两个操作，一个是卷积(Convolution)，一个是池化(Pooling)。

其中池化层并不会对通道之间的交互有影响，只是在各个通道中进行操作。

而卷积层则可以在通道与通道之间进行交互，之后在下一层生成新的通道，其中最显著的就是Incept-Net里大量用到的1x1卷积操作。基本上完全就是在通道与通道之间进行交互，而不关心同一通道中的交互。

一般我们说图像的通道，有两种含义的解释

一是图像的色彩通道（如RGB），二是特征图（卷积过滤器的输出结果）的输出通道（out_channel）

实际上，两者本质上是相同的，都是表示之前输入上某个特征分布的数据。

那么先来看看为什么可以说它们是相同的。

一、图像的色彩通道

通道这个概念最初指的是电子图片中RGB通道，或者CMYK通道这样的配色方案，比如说一张RGB的64x64的图片，可以用一个64x64x3的张量来表示。这里的3指的就是通道，分别为红色(Red)、绿色(Green)、蓝色(Blue)三个通道。

因为这三种颜色是三原色，所以基本上可以合成任何人眼可分辨的颜色。而三个通道的图片也基本上可以表示所有图片了。

在计算机视觉处理中，一般图片数据除了是单通道的灰度图片外，就是RGB通道的彩色图片了。

对RGB图片进行卷积操作后，根据过滤器的数量就可以产生更多的通道。事实上，多数情况还是叫后面的卷积层中的通道为，特征图。但实际上在张量表示下，特征图和前面提到的通道差不多，有时候后面的也都叫通道了。