背景
最近在使用CNN的场景中，既有单通道的图片输入需求，也有多通道的图片输入需求，因此又整理回顾了一下单通道或者多通道卷积的差别，这里记录一下探索过程。
结论
直接给出结论，单通道图片和多通道图片在经历了第一个卷积层以后，就没有单通道或者多通道的区别了，剩下的网络可以采取完全一样的结构。这也为我们使用各种各样的网络架构，resnet，Alexnet，vgg提供了方便，因为他们都是为了跑ImageNet而设计的特定输入。
图解
1.成员介绍
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。
2.单通道图片卷积过程
可以看到，通过对应位置相乘再相加，结合bias，最终得到feature map中的一个元素，所以卷积核的一次计算只得到一个数。当卷积核刷遍整张图片以后，得到了一个完整的feature map。这个东西将作为下一层的输入，传递下去。
通常来说，我们的卷积层不会只有一个kernel，因为一个kernel只能提取图片的一类特征，我们使用CNN的目的就在于应用多个kernel学习到多个特征，下面给出使用两个kernel的例子。
每一个kernel都会来一遍上图中获得feature map的过程。最终我们会得到2个feature map，与卷积核的数量一致。
2.RGB三通道图片卷积过程
这里可以看到，图片从一个矩阵变为了3个，这时候kernel也变成了3个矩阵，请注意 ，这三个叫做一个kernel，但是这三个kernel共享一个bias。在卷积运算的时候，这个kernel的三个通道分别与对应的图片通道做卷积，过程与单通道处理是一样的，但是这里由于有三个通道，所以会得到3个数字，而不是之前的一个数字，但是这里的三个数字会直接相加，最终还是一个数字，所以这里就是3通道卷积的trick所在，这里是容易疑惑的一个点，搞明白就好。
多个kernel可以类比之前的单通道，总之，结论就是，不管是单通道还是三通道的首个卷积层，都会输出与kernel数量相等的feature map。且不管是不是单通道，只要图片宽高是一样的，单通道和多通道的首个卷积层过后，得到的feature map在维度上是一致的。
代码验证
选择了pytorch中的torch.nn.Conv2d来做验证。
1.简单介绍网络的输入参数含义
import torch.nn as nn
# 定义一个二维卷积层
conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)
# 假设有一个4维的输入张量 x，形状为 (batch_size, in_channels, height, width)
x = torch.randn(1, 3, 32, 32)
# 在输入张量上应用卷积层
output = conv_layer(x)
# 输出张量的形状为 (batch_size, out_channels, output_height, output_width)
其中，in_channels表示输入张量的通道数，out_channels表示输出张量的通道数（即卷积核的数量），kernel_size表示卷积核的大小，stride表示卷积的步长，padding表示边缘填充的大小。在输入张量上应用卷积层后，输出张量的形状为 (batch_size, out_channels, output_height, output_width)。
2.为单通道图片设计第一个卷积层，并查看该层的输出
# 设计一个单通道的卷积网络结构
import torch
from torch.autograd import Variable
# 单通道图片模拟输入
input=torch.ones(1,1,64,64)
input=Variable(input)
x=torch.nn.Conv2d(in_channels=1,out_channels=5,kernel_size=3,groups=1)
out=x(input)
print(out.shape)
print(list(x.parameters()))打印结果
torch.Size([1, 5, 62, 62])
[Parameter containing:
tensor([[[[-0.1166, 0.2381, -0.0446],
[ 0.0855, 0.1347, -0.2986],
[-0.3251, 0.2721, 0.2473]]],
[[[-0.1630, 0.2612, 0.1867],
[-0.1606, -0.2781, -0.1183],
[ 0.2221, -0.1114, -0.2046]]],
[[[-0.2414, -0.2379, 0.0680],
[ 0.1928, -0.0585, 0.1804],
[ 0.1891, -0.1915, 0.0281]]],
[[[-0.3227, 0.0911, -0.0136],
[-0.2742, -0.2246, -0.1227],
[ 0.1420, 0.3284, -0.0288]]],
[[[ 0.2173, -0.1299, -0.2056],
[-0.2324, 0.2499, -0.1909],
[ 0.2416, -0.1457, -0.1176]]]], requires_grad=True),
Parameter containing:
tensor([-0.0273, 0.2994, 0.3226, -0.2969, 0.2965], requires_grad=True)]这里我们可以看到，第一层的输出结果是有5个feature maps，也就是卷积核的数量。随后我们打印出了第一层的卷积参数，可以看到就是5个卷积核的参数，以及对应的五个bias参数。
3.为RGB三通道图片设计第一个卷积层，并给出参数
# 设计一个3通道的卷积网络结构
import torch
from torch.autograd import Variable
# 模拟RGB三通道图片输入
input=torch.ones(1,3,64,64)
input=Variable(input)
x=torch.nn.Conv2d(in_channels=3,out_channels=5,kernel_size=3,groups=1)
out=x(input)
print(out.shape)
print(list(x.parameters()))打印输出
torch.Size([1, 5, 62, 62])
[Parameter containing:
tensor([[[[-0.0902, -0.0764, 0.1497],
[-0.0632, -0.1014, -0.0682],
[ 0.1309, 0.1173, 0.0268]],
[[-0.0410, -0.1763, 0.0867],
[ 0.0771, -0.0969, 0.0700],
[ 0.1446, -0.0159, -0.1869]],
[[-0.1278, 0.0244, 0.1861],
[-0.0180, 0.0529, -0.1475],
[-0.0562, -0.0487, 0.0659]]],
[[[ 0.0649, -0.1758, -0.0420],
[ 0.1287, 0.1500, 0.1027],
[ 0.0033, 0.1565, 0.1461]],
[[ 0.0645, 0.0515, -0.0729],
[ 0.0900, 0.0941, 0.1813],
[ 0.1846, -0.1075, 0.1861]],
[[ 0.1489, 0.0536, 0.1510],
[-0.1070, 0.0748, 0.1619],
[ 0.1812, -0.0722, 0.1492]]],
[[[-0.0450, -0.0846, 0.0761],
[ 0.1049, 0.0492, 0.1556],
[ 0.1301, 0.0494, 0.0136]],
[[-0.1303, -0.0979, -0.0331],
[ 0.0435, -0.0201, -0.1207],
[ 0.1275, -0.0049, -0.0092]],
[[ 0.1782, 0.1347, 0.0707],
[-0.0850, 0.0585, 0.1361],
[ 0.0917, -0.0156, 0.0407]]],
[[[ 0.0491, 0.0752, 0.0096],
[ 0.1599, -0.1281, -0.0937],
[ 0.1029, -0.1467, 0.1238]],
[[-0.0651, -0.1169, 0.1772],
[ 0.0180, 0.1491, 0.0145],
[ 0.0586, 0.1246, 0.1060]],
[[-0.1220, 0.0525, 0.1046],
[ 0.0069, 0.0356, 0.0152],
[-0.0822, -0.1157, -0.0420]]],
[[[-0.0679, 0.1752, 0.1020],
[ 0.0018, 0.0721, 0.1708],
[-0.0201, 0.1753, 0.0620]],
[[-0.0023, -0.1203, -0.1113],
[ 0.1765, -0.1914, 0.0836],
[-0.0526, -0.1803, -0.0656]],
[[-0.1735, 0.0795, -0.1867],
[ 0.1757, -0.0261, 0.0198],
[-0.1756, -0.0549, -0.0018]]]], requires_grad=True),
Parameter containing:
tensor([-0.1727, 0.1823, 0.1416, -0.0721, -0.1219], requires_grad=True)]可以看到，对三通道的图片处理后，输出的也是一样的形状，但是具体再看卷积核，会发现，每个卷积核都有3个通道，而且每个通道的参数是不一样的，但是他们共享一个bias。
