为什么Faster-rcnn rpn中通道的可以代表这么多含义，人为赋予通道意义

在rpn网络中，我们想要对特征图上每一个特征点，得到9个anchors的（x，y，w，h）的四个信息，通常使用36通道[1*1]的卷积去卷积输入，并且得到一个36通道的输出，这从逻辑上很好理解，9个anchor，每个anchor要获得(x，y，w，h）的四个信息,所以9*4 = 36,36个通道。

但是，仔细去思考，会有以下几个问题：

1.为什么用36个通道就能表示9个anchors的（x，y，w，h）的四个信息，仅仅是因为9*4 = 36吗？

2.我们用36通道的卷积核去卷积输入时，这个卷积核第一次初始化为随机初始化，凭什么一个随机的卷积，用随机的权重就能代表9个anchors的（x，y，w，h）的四个信息？

3.我们将这36个通道的排列默认为anchor1的x，anchor1的y，anchor1的w，anchor1的h；anchor2的x，anchor2的y，anchor2的w，anchor2的h......为什么一个随机初始化的36通道的权重去可以赋予每个通道固定的含义？

我的理解是这样的：

这三个问题其实都是一个问题：为什么一个初始化为随机的多通道权重进行卷积，可以赋予输出的每一个通道现实含义？

答案就是刚刚开始并不能赋予通道含义，在最开始，权重的36个通道通过卷积输出含有36个通道的结果，这36个通道每一个通道都不具有现实意义，纯粹是毫无意义的卷积的结果。

在最开始，这36个通道并不具有排列默认为anchor1的x，anchor1的y，anchor1的w，anchor1的h；anchor2的x，anchor2的y，anchor2的w，anchor2的h的现实含义，纯粹是无意义，但是通过一次次的降低损失函数，一次次修改权重，使得每一次权重都在倾向于更具有现实意义，通过人为的规定的真实值，修改权重使得每一层通道的结果逐渐向人为规定的值靠拢，使得每一层通道逐渐有了现实含义，这也正是神经网络学习、修改权重的原理。

这是我个人肤浅的理解。望各位大佬指正