假设我们正在讨论应用于图像的 2D 卷积。
在灰度图像中，数据是维度为的矩阵，其中是图像的宽度，是其高度。在彩色图像中，我们通常有 3个通道：红色、绿色和蓝色；这样，彩色图像可以表示为维度为的矩阵，其中是通道数，即 3。
卷积层接收图像（的激活图作为输出。卷积中的输入通道数为，而输出通道数为。
或 3 或 4 等，CNN 是否会对数据的融合表示进行操作？还是一次在每个通道上运行，然后叠加结果？假设我有 4 个通道，每个通道都是一个 2D 矩阵，那么 CNN 会在内部形成 4 个通道的融合并做出某种表示吗？
设为维度为的卷积层。然后它的每个过滤器都连接到前一层的所有个过滤器（或通道*）。
我发现在这里查看权重的数量很有帮助：卷积层的单个滤波器，内核大小为将具有权重。由于第层有个这些过滤器，它总共有权重。
在一个带有 3 通道输入层后跟一个 conv 的玩具示例中。具有 5 个通道的层，如下所示（为简单起见，此处未显示偏差）：
从图中可以看出，conv 的每个特征图。层接收所有输入通道作为输入（如果这不是输入层而是具有 3 个特征图的转换层，则同样适用）。
*请注意，上一层是否为 conv 并没有区别。层或输入层-在第一种情况下，您将其称为深度“过滤器”，在第二种情况下，您将其称为“通道”，但这不会改变它与以下转换的连接方式。层。