Notes on Section 6.4

这一节我们讨论的是多通道输入和多通道输出的相关处理

先看输入，其实本质上和单通道是一样的，我们增加了维度信息，而相乘模式还是元素对对应位置相乘。不过需要注意的是，当我们改变了输入通道结构，卷积核的结构也要相应的改变

以上我们讨论的限于单通道输出，但是在实际应用中，多通道输出是非常重要的

“在最流行的神经网络架构中，随着神经网络层数的加深，我们常会增加输出通道的维数，通过减少空间分辨率以获得更大的通道深度。直观地说，我们可以将每个通道看作对不同特征的响应。”

以下构建了一个三通道输出的卷积核（输入是双通道，2*2卷积核）

1*1卷积层

这样结构的卷积层，显然不能提取周围像素的特征，但是像素内的通道之间的计算依然存在

这样一个层有如下的一些作用：

灵活的升维与降维（减少/增加参数量）

跨通道的信息交互（无干扰）

减少计算量

搭配非线性激活函数使用（比如ReLU）

以下是书中的描述