参考文章：

直观理解深度学习的卷积操作，超赞！-CSDN博客
​​​​​​如何理解卷积神经网络中的通道（channel）_神经网络通道数-CSDN博客

深度学习-卷积神经网络—卷积操作详细介绍_深度卷积的作用-CSDN博客

正文：

在跑深度学习代码的过程中，经常遇到的一个报错是：模型尺寸不匹配的问题。一般pytorch中尺寸/张量的表现方式是：torch.size([16,3,24,24])。这四个参数的含义如下：

16：批量大小（Batch Size）表示张量中包含的图像数量，每次迭代（或称为一个batch）处理16张图片。

3：通道数（Channels）在彩色图像中，代表RGB三个颜色通道。对于灰度图像，这个数字将是1。

24：高度（Height）表示每张图片的高度，单位是像素，这里是24个像素。

24：宽度（Width）这表示每张图片的宽度，单位也是像素，这里同样是24个像素。

 模型只有在各阶段张量均匹配了才能跑通。其中，第二个参数即是channel。

一般来说，常见的图像如灰度图，彩色图，他们的通道数分别为1和3，但为什么在深度学习模型训练时会出现如torch.size([32,64,224,224])，其中channel = 64之类非常多通道数的情况呢？

这里就和滤波器和卷积核这两个结构相关了。

从上图也可以看到，在通道数为1的情况下，可以认为滤波器和卷积核是等价的；但当通道数为3时，滤波器和通道数有区别。

此外，输出通道多少，其实和模型设定的卷积核数量有关，只要设置的合理，理论上64通道，128通道都是可以实现的，此时，这里的通道含义也就不能完全按照传统的“RGB”这样的三色通道来理解了。

这里每一个卷积核都能提取特定通道上特定的特征信息，最后将提取出的特征信息整合，得到对应数量的特征图，得到输出通道。

每一种通道代表着图像某一方面的特征信息。

对于网络的下一层，输入通道数就是网络上一层的输出通道数。

下面这张图也很好的描述了卷积过程中，卷积核/滤波器的作用，以及维度的变化过程：