Python Keras卷积层对颜色通道有什么作用？

Bellow是Keras文档中的一段示例代码。看起来第一个卷积接受了一个带有3个颜色通道的256x256图像。它有64个输出过滤器（我想这些和我在别处读到的功能图是一样的，有人能帮我确认一下吗）。让我困惑的是输出大小是（无、64、256、256）。我希望它是（无，64*3，256，256），因为它需要对每个颜色通道进行卷积。我想知道的是Keras handel是如何处理颜色通道的。在通过卷积之前，这些值是否会一起平均（转换为灰度）

   # apply a 3x3 convolution with 64 output filters on a 256x256 image:
model = Sequential()
model.add(Convolution2D(64, 3, 3, border_mode='same', input_shape=(3, 256, 256)))
# now model.output_shape == (None, 64, 256, 256)

# add a 3x3 convolution on top, with 32 output filters:
model.add(Convolution2D(32, 3, 3, border_mode='same'))
# now model.output_shape == (None, 32, 256, 256)

---

具有3个输入通道的大小为3*3的滤波器由3*3*3个参数组成，因此每个通道的卷积核的权重不同

它汇总每个通道的卷积结果（可能与偏置项一起）以获得输出。因此，输出形状与输入通道的数量无关，例如，（无，64，256，256）而不是（无，64*3，256，256）

我不是100%确定，但我认为特征映射指的是将一个这样的过滤器应用于输入的输出（例如256*256矩阵）