Deep learning CNN如何处理RGB图像

在卷积神经网络中，卷积过程非常丰富

众所周知，如果您拍摄一张5x5灰度图像（1通道），并使用3x3过滤器（包含特定权重）对其进行卷积，您将得到一张3x3特征图，如下图所示：卷积

但是，一旦你将卷积的概念扩展到RGB图像中，现在你有3个通道（R，G，B）进行卷积，会发生什么呢？你只需在滤镜中添加一个通道，与原始图像中通道的#成比例，对吗？假设我们这样做了，使用RGB卷积的过程如下：使用3x3x3过滤器卷积的6x6x3 RGB图像。这显然导致了4x4x1，而不是人们所期望的4x4x3

我的问题是为什么会这样

如果您在internet上浏览要素地图的可视化效果，它们会返回一些彩色的低级和高级要素。这些是内核本身的可视化还是特性图？无论哪种方式，它们都有颜色，这意味着它们必须有一个以上的通道否？

看看pytorch，您会注意到内核的大小不仅受其空间宽度和高度（在您的问题中为3x3）的影响，还受输入通道和输出通道的数量的影响。
因此，如果您有一个输入RGB图像（=3个输入通道）和一个大小为3x3x3的过滤器（=单个输出通道，用于3个输入通道，空间宽度/高度=3），那么您的输出将确实是4x4x1。
您可以可视化此过滤器，因为您可以将其解释为一个小3x3 RGB图像。
可视化网络中更深的功能/过滤器一点也不简单，您看到的图像通常是优化过程的结果，这些优化过程旨在“发现”过滤器。概述了一些复杂的功能可视化方法。

看看Pyrotch的，您会注意到内核的大小不仅受其空间宽度和高度（在您的问题中为3x3）的影响，还受输入通道和输出通道数量的影响。
因此，如果您有一个输入RGB图像（=3个输入通道）和一个大小为3x3x3的过滤器（=单个输出通道，用于3个输入通道，空间宽度/高度=3），那么您的输出将确实是4x4x1。
您可以可视化此过滤器，因为您可以将其解释为一个小3x3 RGB图像。

---

可视化网络中更深的功能/过滤器一点也不简单，您看到的图像通常是优化过程的结果，这些优化过程旨在“发现”过滤器。概述了一些复杂的特征可视化方法。

好吧，彩色图像是：定义为3个通道，而且你可以看到一个彩色图像，它是由3个值矩阵组成的堆栈，因此2个红色和蓝色可以设置为零，你还应该检查网络的稀疏性…

好吧，彩色图像是：定义为3个通道，也可以将彩色图像视为3个值矩阵的堆栈，因此2个红色和蓝色可以设置为零，，您还应该检查网络的稀疏性…

我听说这个卷积过程的输出引入了一个特征映射，它实际上不包含基于颜色的值，而只是基于内核用于卷积的权重。所以我想说的是，输出可以简单地用热图来可视化。不，我听说这个卷积过程的输出引入了一个特征图，它实际上不包含基于颜色的值，而只是基于内核用来卷积的权重。所以我想说的是，输出可以简单地用热图来可视化？