首先，明確乙個概念：卷積並不只是乙個二維的過程，實際上對於輸入的一般而言是三個通道的（r、g、b），那為什麼輸出的結果可以是128個通道呢？實際上經過卷積過後的通道數是由卷積核的個數來決定的，整個的卷積過程二維情況下也就是在每個通道下發生的卷積過程為：
在多通道情況下的卷積情況如下：
其實濾波器的維度應該是和輸入相同的，輸出的維度則是由濾波器的個數決定，卷積過程為：
如果把輸入當做乙個立方體的話，那麼 filter 也是乙個立方體，它們卷積的結果也是乙個立方體，並且上面中 input、filter、result 的通道都是一致的。然後由於有多個卷積核，因此會生成很多個同樣尺度的feature map，這多個feature map疊加在一起即生成了最後的輸出。但卷積過程的最後一步要包括生成 feature，很簡單，將 result 各個通道對應座標的值相加就生成了 feature，相當於將多維的 result 壓縮成了 2 維的 feature。
同樣需要明確乙個概念：比如某層的卷積核引數為3*3*64，表示卷積核的尺寸為3*3的，卷積核的個數是64個，這也就意味著經過該層卷積後的影象通道是64，那麼引數的數量是不是就是3*3*64呢？答案是：不是的。實際上，卷積核的引數還取決於上一層的輸出的通道數。
比如上一層的輸出是28*28*192的，也就意味著每個3*3的卷積核需要在192個通道都進行一遍卷積，最後在對每個位置進行相加，形成一張feature map。
但是，同乙個卷積核在192個通道的引數並不是相同的，也就意味著實際上測卷積核引數個數應該是3*3*192*64。
1.實現跨通道的互動和資訊整合具體參見：2.進行卷積核通道數的降維和公升維
另參考自：
1 1卷積核作用，卷積引數計算，卷積計算量計算
新增截圖了，增加瓶頸層的解釋 聽說是某面試題，一般的卷積運算可以壓縮輸入的長度和寬度，1 1卷積核可以整合各個資料通道資訊縮小資料尺寸的深度，同時減小計算量 卷積核引數計算 卷積核的長度 卷積核的寬度 卷積核的個數 卷積計算量計算 輸出資料大小 卷積核的尺寸 輸入通道數 比如 懶得繪圖 求輸入28 ...
1 1卷積核的作用
如何理解跨通道的資訊互動和整合呢？首先還得從三維卷積的計算開始。如圖所示，藍色部分是乙個7 7 n 維數 的feature map，黃色塊為3 3 3的卷積核，將卷積核對應到藍色特徵中可以得到乙個紅色陰影區域，舉個具體的例子 假設卷積核所有的引數都為1。那麼紅色部分的數值 1 1 4 1 3 1 2...
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵，乙個卷積核代表一種特徵提取方式，對應產生乙個特徵圖，卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積，結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...