一天一个变弯小技巧
今日份洗脑：通道数
结论：通道数不需要计算，输入通道与输入图像的通道数相同，输出通道由人工设定【卷积核个数】，通道数又称卷积深度。
资料1：
卷积神经网络中的卷积反卷积及池化计算公式、特征图通道数（维度）变化、卷积核大小与深度等概念解释
链接：https://www.pianshen.com/article/1330939947/
1.计算公式
设：
图像宽为W，高为H，通道数为C；
卷积核尺寸为K，通道数为D，个数为N；
卷积运算步长为S，0填充大小为P；
输入和输出量分别以1和2表示。
卷积：
W2 = (W1 - K + 2×P) / S + 1
H2 = (H1 - K + 2×P) / S + 1
C2 = N
反卷积：
W2 = (W1-1) × S + K - 2×P
H2 = (H2-1) × S + K - 2×P
C2 = N
池化：
W2 = (W1 - K) / S + 1.
H2 = (H1 - K) / S + 1.
C2 = C1
卷积、反卷积和池化操作均可改变图像尺寸大小，但池化操作不会改变图像的通道数，而卷积与反卷积通常会改变图像的通道数。
2.特征图通道数（维度）变化
经过卷积运算输出的特征图通道数仅由卷积核的个数决定，随各卷积层中卷积核的个数变化而变化，即C2=N，例如32×32×3经过5个5×5×3的卷积核运算后输出的特征图通道数即为5，如28×28×5。
3.卷积核大小与深度
卷积核通道数：
卷积核的通道数只与输入图像的通道数有关，在进行卷积运算时，要求用于运算的卷积核的通道数应与输入图像的通道数一致，即D=C1，例如对32×32×3大小的输入图像进行卷积计算，卷积核通道数也为3，如5×5×3；
卷积核深度：
卷积核深度就是卷积核的个数，每个卷积核中各通道与输入图像各通道相对应，所有通道同时分别进行运算，然后形成输出特征图其中的一个通道，多个卷积核运算后便形成多个通道，因此卷积核的深度也就是输出图像的通道数。
再结合上一条，则卷积核的深度同时也决定了下一卷积层中卷积核的通道数，因为本卷积层输出图像就是下一层的输入图像；
资料2：卷积网络中的通道(Channel)和特征图 - Rogn - 博客园 (cnblogs.com)
链接：https://www.cnblogs.com/lfri/p/10491009.html
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。一种卷积核得到一个通道，所以特征图个数=输出通道数=卷积核个数。
图片中的通道就是某种意义上的特征图。一个通道是对某个特征的检测，通道中某一处数值的强弱就是对当前特征强弱的反应。
对一定范围的特征图进行卷积，可以将多个特征组合出来的模式抽取成一个特征，获得下一个特征图。之后再继续，对特征图进行卷积，特征之间继续组合，获得更复杂的特征图。
又因为池化层的存在，会不断提取一定范围内最强烈的特征，并且缩小张量的大小，使得大范围内的特征组合也能够捕捉到。
通过特征角度来看卷积网络的话，那么1x1卷积也就很好理解了。即使1x1卷积前后的张量大小完全不变，比如说16x16x64 -> 16x16x64这样的卷积，看上去好像是没有变化。但实际上，可能通过特征之间的互动，已经由之前的64个特征图组成了新的64个特征图。
有时候我理解一个这样的1x1卷积操作，把它当成是一次对之前特征的整理。
