动手学计算机视觉--第二章，关于单通道卷积，多通道卷积的讨论

最新推荐文章于 2026-04-16 20:37:46 发布
原创 最新推荐文章于 2026-04-16 20:37:46 发布 · 1.7k 阅读 · 10
标签
#卷积 #深度学习 #计算机视觉
本文深入探讨了卷积神经网络中的卷积操作，从单通道卷积的基础概念出发，解释了如何进行多通道卷积，包括常规卷积和深度可分离卷积。重点讨论了多通道卷积的工作原理，强调了参数数量对网络计算量和模型泛化能力的影响。此外，还预告了深度可分离卷积的后续讨论。

订正，本章内容仍使用keras框架进行分析，主要参考《Python深度学习（keras）》（Deep Learning with Python）。

关于深度学习和计算机视觉相结合的卷积操作，在很多博文中都有所介绍，对于其具体的操作方法也不仅相同，本文只介绍作者自己的看法

单通道卷积

在卷积操作中，单通道卷积是基础，理解单通道卷积后，我们再去讨论后续内容。

常见的图像一般为RGB颜色空间，为了方便处理，通常的处理方式是分为R（红色）G（绿色）与B（蓝色）3个通道。在下图中，以RGB3通道的其中一个通道为例，在单通道卷积中，卷积核以滑动的形式遍历整张图像，当然，卷积可以有多个卷积核，每一个卷积核对应一个feature map（卷积之后的特征图）

 

多通道卷积

多通道卷积可分为常规卷积与深度可分离卷积，两者的区别在于参数数量，我们知道在深度卷积网络训练的过程中过多的参数会增大网络计算量，不利于网络模型泛化等缺点。深度可分离卷积在实现常规卷积的基础上减少了网络参数。

常规卷积

常规的多通道卷积和单通道卷积类似，区别在于在多通道卷积中，用于卷积图像的卷积和同样也是多通道的，以RGB图像为例，那么生成的卷积核同样是3个通道，具体步骤如下：

（1）在各自通道上进行单通道卷积；

（2）将各通道汇聚（通道相加）

这里要区分卷积核数目和通道数目以及最后输出的feature map的通道数量，在很多框架中，通常只需要指定卷积和的宽和高（例如3*3）和输出的feature map的通道数目，而不会去指定卷积核通道数目，如

最低0.47元/天 解锁文章
机器学习-卷积神经网络CNN中的单通道和多通道图片差异
木子山石的学习笔记
03-07 5128
在CNN中涉及到的主要就是image kernel bias这三个元素。这里image表示是首层的输入，后边卷积层的impute都是前边的output，与首层操作类似，不再多说。# 定义一个二维卷积层# 假设有一个4维的输入张量 x，形状为 (batch_size, in_channels, height, width)# 在输入张量上应用卷积层# 输出张量的形状为 (batch_size, out_channels, output_height, output_width)其中，
理解卷积、单通道卷积、深度卷积(多通道卷积)、逐点卷积、实战YoloV1卷积网络 、池化计算
SpaceSunflower 's ML/DL home
12-01 1万+
【卷积计算】-单通道卷积 -深度卷积(多通道卷积) -逐点卷积 -实战YoloV1卷积网络 - 池化计算
卷积网络中的通道(Channel)理解
Limonor的博客
06-27 1万+
卷积网络中的通道(Channel)理解 卷积网络中有一个很重要的概念，通道（Channel），也有叫特征图（feature map）的。 卷积网络中主要有两个操作，一个是卷积(Convolution)，一个是池化(Pooling)。 其中池化层并不会对通道之间的交互有影响，只是在各个通道中进行操作。 而卷积层则可以在通道与通道之间进行交互，之后在下一层生成新的通道，其中最显著的就是Incept-Net里大量用到的1x1卷积操作。基本上完全就是在通道与通道之间进行交互，而不关心同一通道中的交互。 一般我们
深度学习 | CNN卷积核与通道
"You are worthy! You can do it!"
10-18 5867
每一个通道的像素值与对应的卷积核通道的数值进行卷积，因此每一个通道会对应一个输出卷积结果，三个卷积结果对应位置累加求和，得到最终的卷积结果（这里卷积输出结果通道只有1个，因为卷积核只有1个。因此整个卷积层的尺寸为（m*n*k1*k2）是一个4维张量，其中m表示卷积核的数量，n表示通道数量，k1表示每一个卷积核通道的宽，k2表示每一个卷积核通道的高。假设卷积核只有1个，卷积核通道为3，每个通道的卷积核大小仍为3x3，padding=0，stride=1。由于只有一个卷积核，因此卷积后只输出单通道的卷积结果。
【机器学习】卷积的计算及两种特殊卷积的介绍
一顿输出
06-05 5785
学着学着突然忘了卷积怎么算了（哭），为了避免下次突然失忆，还是写个笔记记录一下吧~ 参考资料：https://zhuanlan.zhihu.com/p/268179286 一、单通道单卷积核 这计算公式很简单，为方便描述，可以把卷积核以及卷积核扫描到图像的区域当作两个矩阵（但实际计算并不是矩阵乘法，不要搞混咯）。 具体计算的方式是： 将对应位置的元素相乘 将得到的所有乘积做一个求和 加上偏差bias [左边是初始图片，右边是卷积核及其bias。] 右边是卷积核，左边红色框起来的部分是卷积核扫描到的
动手学深度学习——5.卷积神经网络
Orange_sparkle的博客
07-17 1365
现在，我们将上述想法总结一下，从而帮助我们设计适合于计算机视觉的神经网络架构。平移不变性（translation invariance）：不管检测对象出现在图像中的哪个位置，神经网络的前面几层应该对相同的图像区域具有相似的反应，即为“平移不变性”。局部性（locality）：神经网络的前面几层应该只探索输入图像中的局部区域，而不过度在意图像中相隔较远区域的关系，这就是“局部性”原则。最终，可以聚合这些局部特征，以在整个图像级别进行预测。卷积神经网络是包含卷积层的一类特殊的神经网络。
【无标题】
2501_93628637的博客
03-19 554
definit(self):init()# 线性层封装nn.ReLU(),# 动态层存储])# 卷积分支# 展平后接入线性层return xinit.xavier_uniform_(m.weight) # Xavier初始化definit])])
深度学习111
最新发布
m0_61146090的博客
04-16 592
x.shape 用来访问张量的形状和张量元素中的总数, x.numel()用来表示元素个数。还可以用torch.tensor来指定特定形状特定取值，还可以X = torch.arange(12,dtype=torch.float32).reshape((3,4)).用torch.cat可以把两个张量合并在一起，torch.cat((x,y)),dim=0)是指x与y相结合，且维度为1.用X.sum() 求和，而且对两个向量进行运算时，会自动按行列的最大值进行运算。y: 真实标签 (batch_size,)
单通道和多通道卷积
RUN
08-08 4415
卷积之后的通道数只是取决于卷积核的数目，和卷积核的channel无关，卷积核的channel是和输入的channel保持一致的。 对于单通道图像，若利用10个卷积核进行卷积计算，可以得到10个特征图；若输入为多通道图像，则输出特征图的个数依然是卷积核的个数（10个）。 1.单通道多个卷积核卷积计算 一个卷积核得到的特征提取是不充分的，我们可以添加多个卷积核，比如32个卷积核，从而可以学习32种特征。 2.多通道多个卷积核卷积计算 图片：假设图片的宽度为width:W，高度为height:H，图片的通道数为D
深度学习（6）之卷积的几种方式：1D、2D和3D卷积的不同卷积原理（全网最全！）
yohnyang的博客
02-27 9895
深度学习（6）之卷积的几种方式：1D、2D和3D卷积的不同卷积原理（全网最全！）
卷积过程详细讲解
you 是 mine
08-24 3174
卷积过程如下，每一个通道的像素值与对应的卷积核通道的数值进行卷积，因此每一个通道会对应一个输出卷积结果，三个卷积结果对应位置累加求和，得到最终的卷积结果**（这里卷积输出结果通道只有1个，因为卷积核只有1个。即：由于只有一个卷积核，因此卷积后只输出单通道的卷积结果（黄色的块状部分表示一个卷积核，黄色块状是由三个通道堆叠在一起表示的，每一个黄色通道与输入卷积通道分别进行卷积，也就是channel数量要保持一致，图片组这里只是堆叠放在一起表示而已）。：卷积核大小，可以理解为对每个通道上的卷积的尺寸大小。
多通道(比如RGB三通道)卷积过程
热门推荐
u014114990的专栏
04-11 10万+
今天一个同学问 卷积过程好像是对 一个通道的图像进行卷积， 比如10个卷积核，得到10个feature map， 那么输入图像为RGB三个通道呢，输出就为 30个feature map 吗， 答案肯定不是的， 输出的个数依然是 卷积核的个数。 可以查看常用模型，比如lenet 手写体，Alex imagenet 模型， 每一层输出feature map 个数 就是该层卷积核的个数。 1、
图像单通道和三通道的解释
qq_41391174的博客
05-23 8756
一、单通道 俗称灰度图，每个像素点只能有一个值表示颜色，它的像素值在0到255之间，0是黑色，255表示白色，中间值是一些不同等级的灰色。（也有三通道灰度图，3通道灰度图只有一个通道有值，其他两个通道的值都是零）。 二、三通道图 每个像素点都有三个值表示，所以就是3通道。 例如RGB图片即为三通道图片，RGB色彩模式是工业界的一种颜色标准，是通过对红®、绿(G)、蓝(B)三个颜色通道的变化以及它们...
一篇文章教你搞懂卷积
weixin_73958875的博客
08-26 926
卷积运算的核心原理包括单通道和多通道的计算方式。单通道卷积通过3×3卷积核对5×5图像滑动计算，输出3×3特征图。多通道卷积时，输入与卷积核通道数必须一致，各通道独立计算后相加，输出通道数由卷积核个数决定。填充（Padding）可控制输出尺寸并保留边缘信息，步幅（Stride）则实现空间降采样。关键设计参数包括卷积核尺寸、填充、步幅和输出通道数，共同影响输出尺寸和特征提取效果。多核卷积能融合空间特征与通道信息，而大步幅是减少计算量的有效手段。
CNN卷积核计算原理
qq_52302919的博客
03-17 1万+
一、单通道卷积 以单通道卷积为例，输入为（1,5,5），分别表示1个通道，宽为5，高为5。假设卷积核大小为3x3，padding=0，stride=1。 相应的卷积核不断的在图像上进行遍历，最后得到3x3的卷积结果，结果如下： 二、多通道卷积 以彩色图像为例，包含三个通道，分别表示RGB三原色的像素值，输入为（3,5,5），分别表示3个通道，每个通道的宽为5，高为5。假设卷积核只有1个，卷积核通道为3，每个通道的卷积核大小仍为3x3，padding=0，stride=1。 卷积过程如下，每一个通道的像素
（pytorch-深度学习系列）卷积神经网络中的填充(padding)和步幅(stride)
我亦是行人
10-26 6552
卷积神经网络中的填充(padding)和步幅(stride) 之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。 对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×kwk_h\times k_wkh​×kw​，那么输出形状将会是 (nh−kh+1)×(nw−kw+1).(
图像处理——单通道图像与多通道图像
ngc_1277
12-23 1万+
概念 （一）：单通道图， 俗称灰度图，每个像素点只能有有一个值表示颜色，它的像素值在0到255之间，0是黑色，255是白色，中间值是一些不同等级的灰色。（也有3通道的灰度图，3通道灰度图只有一个通道有值，其他两个通道的值都是零）。 （二）:三通道图，每个像素点都有3个值表示 ，所以就是3通道。也有4通道的图。例如RGB图片即为三通道图片，RGB色彩模式是工业界的一种颜色标准，是通过对红(R)...
图像分割：从单通道到多通道
禅与计算机程序设计艺术
05-14 559
1. 背景介绍 1.1 图像分割的定义与意义 图像分割是计算机视觉领域中一项基础而又重要的任务，其目标是将图像分割成多个具有语义意义的区域。每个区域对应着图像中的一个对象或部分，例如人物、汽车、天空等。图像分割在许多领域都有着广泛的应用，例如： 医学影像
多通道和单通道3D卷积及其运算过程详解
weixin_42112050的博客
09-09 5376
前言 大家对1D卷积的介绍以及2D卷积中单通道和多通道的介绍已经十分完备了，我在这就不对这两方面做过多的介绍了，不了解的可以自行查看以下文章：形象理解深度学习中八大类型卷积 本人直接对网上介绍资料较少的3D卷积特别是多通道的3D卷积进行较为详细的介绍。 3D卷积作用 对于2DCNN，我们知道可以很好的处理单张图片中的信息，但是其对于视频这种由多帧图像组成的图片流，以及CT等一些医学上的3维图像就会显得束手无策。因为2D卷积没有考虑到图像之间时间维度上的物体运动信息的变化（3维CT图像也可以近似看为是二维图像
【深度学习】各种卷积的理解笔记（2D，3D，1x1，可分离卷积）
夹猪逃的博客
03-10 5938
卷积1. 2D卷积单通道版本多通道版本2. 3D卷积3. 1x1卷积作用应用4. 卷积算法5. 可分离卷积空间可分离卷积深度可分离卷积 1. 2D卷积 卷积的目的是从输入中提取有用的特征。在图像处理中，卷积可以选择多种不同的滤波器。每种类型的过滤器都有助于从输入图像中提取不同的方面或特征，例如横向/纵向/对角线边缘。同样，在卷积神经网络中，通过卷积，利用训练过程中自动学习权值的滤波器来提取不同的特征。然后，所有这些提取的特征被“组合”以做出决定。 卷积有几个优点，如权值共享和平移不变性。卷积还考虑了像素的空
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值