我查看了很多关于卷积神经网络（CNN）如何处理多通道（例如RGB图像中的3个通道）的解释，但仍然感到困惑。
当一个5x5x3的滤波器（例如）应用于RGB图像的一个区域时，具体发生了什么？它实际上是针对每个通道分别进行的3个不同的二维卷积（具有独立的权重）吗？然后将结果简单地相加以产生传递到下一层的最终输出？还是一个真正的三维卷积？
回答：
这张图片来自Andrew Ng的deeplearning.ai课程。6 x 6 x 3 – 其中3对应于3个颜色通道，6 x 6是图像的高度和宽度。在卷积步骤中，我们用3 x 3 x 3的滤波器/核对输入图像进行卷积。输入图像和滤波器都将有3层。（通常输入图像和滤波器的层数相同）。输出将是4 x 4 x 1。3 x 3 x 3给你27个特征/参数，你将这些参数与对应的红色、绿色和蓝色通道相乘。最后将所有这些数字相加，得到4 x 4输出图像中[0,0]的值。现在移动输入图像的黄色立方体，向右滑动一个方块，当它到达右端时，将立方体向下滑动一行，继续你的乘法运算以填充4 x 4的输出。我建议你拿一张纸和一支铅笔，在输入和核的所有立方体中填写随机值，然后进行乘法运算。
欲了解更多详情，请观看YouTube上的这些讲座。https://www.youtube.com/watch?v=KTB_OFoAQcc&index=6&list=PLkDaE6sCZn6Gl29AoE31iwdVwSG-KnDzF
