我可以将几个不同的图像作为通道吗？答案

【问题标题】：Can I put several different images as channels?我可以将几个不同的图像作为通道吗？
【发布时间】：2017-11-06 03:37:17
【问题描述】：

通常，我们将输入图像设置为“高度”、“宽度”、“通道”。

在“通道”中，我们为灰度图片设置了 1，为 RGB 图片设置了 3。

我的问题是，使用这个频道应该是同一张照片吗？如上所述。

或者我可以将一系列图像设置为频道？

（例如，我有 10 个空间离散图像，因此我将通道 10 设置为一个输入）

会不会有什么问题，是不是正确的做法？

或者我应该为这 10 个图像设置 10 个输入？

感谢您的回答！

【问题讨论】：

【解决方案1】：

不，不会一样，因为输入层的通道数决定了卷积滤波器的形状，进而决定了参数的数量以及它们的应用方式。

比较这两个卷积网络：

[32x32x3] 输入形状，batch_size=5，5x5 感受野，那么卷积层中的每个神经元都会对输入体积中的 [5x5x3] 区域具有权重，总共 5*5*3 = 75 权重（和 +1 偏差参数）。
[32x32x15] 输入形状，batch_size=1，相同的5x5 感受野，那么每个神经元都会有一个[5x5x15] 区域的权重，总共有 5*5*15 = 325 权重（和相同的 + 1 个偏置参数）。

在这两种情况下，两个卷积层看到 15 个 RGB 图像，但是第二个网络将使用 5 倍的参数来学习相同的数据，而第一个网络将针对不同的图像重用相同的参数。另请注意，第二个网络将为每个第一张图像、每个第二张图像等设置专用参数。

显然，第一种方法更好，不仅因为它节省了资源，而且它对批量训练图像的顺序也是不变的。

【讨论】：

感谢您的回答！我能理解你说的话，我真的很感激。但仍有一些问题。现在，我的一系列图像“不一样”。这意味着我希望 CNN 获得每个图像的特征。我的想法是 CNN 将为每个通道中的每个图像获取特征。所以我不需要 10 个输入，只需使用 10 个通道作为 1 个输入。这是正确的吗？或者 CNN 不是这样工作的？感谢您再次回答！
我不确定我是否理解您的困惑，但是 conv 层为每个通道使用单独的“部分”过滤器，换句话说，它独立地从每个通道中提取特征。
因此，如果我想获取每张图片的完整信息，我应该将它们设置为不同的输入。将它们设置到频道中可能会导致信息丢失。我理解对了吗？非常感谢！
如果你使用的是小批量图片，conv层会适应你所有图片的每个R/G/B通道，提取共同特征，这就是conv层用于。信息丢失是什么意思？
嗯，这可能是我的误解。让我以另一种方式再说一遍。假设这10张图片来自A（图片不同），都是灰度级。 B也有10个灰度图像。A和B都来自同一类。然后我将 A 的图像设置为 10 个通道，B 也是如此。然后将 A 和 B 制作成 mini-batch。我将每个图像的 10 个输入设置为 A 和 B，并使其成为 mini-batch 是否相同？我的英语可能不够清楚，对此感到抱歉。