为什么在卷积神经网络3个通道

一种方法是考虑可以从6 x 6 x 3矩形棱镜切割并抓取多少个3 x 3 x 3的立方体。

另外，让我们来简化问题。

假设您有2 x 2输入图像补丁，并且您想要进行2 x 2卷积。有多少种方法可以适合2 x 2卷积输入图像斑点= 1 x 1（1 x方向，1 y方向）

让我们扩展它：4 x 2输入图像，2 x 2 conv。独特的卷积计数= 3 x 1（x方向3个，y方向1个）

让我们对其进行扩展：4 x 4输入图像，2 x 2 conv。独特的卷积计数= 3 x 3

让我们对其进行扩展：4 x 4 x 2输入图像，2 x 2 x 2 conv。独特的卷积计数= 3 x 3 x 1

让我们来扩展它：6 x 6 x 3输入图像，3 x 3 x 3 conv。独特的卷积计数= 4 x 4 x 1

当您应用卷积时，它将在内核权重的输出上乘以输入值进行求和。在这种情况下，你没有对输入进行任何填充，这意味着你只输出完全定义的值。如果您将输入的维数设为（x，y，z），则可以看到您的内核在x和y维度较小，但在z维度上相等。这意味着你可以在x和y方向上滑动内核，为每个位置产生一个输出，但是在z方向无处滑动，所以它只产生一个输出（这是所有通道之和）。