一般来说，通过对图片进行卷积操作，可以对图片进行某种效果的增强或者是减弱。比如说图片的模糊、锐化、浮雕效果等等。

当然，也可以发现图片中某些特征，如查找物体的边缘信息。而深度学习做的最重要的工作之一就是发现数据的特征，这也是卷积神经网络诞生的原因。

1、单通道-多卷积核

卷积公式本质就是一个累乘然后累加的过程，它的结果是一个数值。如下图所示。

单通道-单卷积核的计算形如上图。

假设有n=10，10个卷积核（Convolution kernel），其实可以理解为10个并行的单通道-单卷积核，由于有10个输出，所以最后输出结果可以理解为10通道。

2、多通道-多卷积核

看看下面这张卷积网络结构图（只截取了部分）。

为什么颜色通道为 3 的图像，经过卷积后，它的通道数量可以变成 16 或者其它呢？

实际上，在卷积过程中，输入层（Input）有多少个通道，卷积核（滤波器Filter）就要有多少个通道，但是卷积核的数量是任意的，卷积核的数量决定了卷积后 feature map 的通道数。

（1）首先看看单个卷积核的处理过程

如果把输入当做一个立方体的话，那么 filter 也是一个立方体，它们卷积的结果也是一个立方体，并且上面中 input、filter、Result 的通道都是一致的。

但卷积过程的最后一步要包括生成 feature，将 Result 各个通道对应坐标的值相加，再取激活函数值，就生成了 feature，相当于将多维的 Result 压缩成了 2 维的 feature。

（2）再看看多个卷积核的处理过程

卷积过程，怎么改变输入层的通道数？正是多卷积核产生的。

假设要提取100种不同的特征，就需要将卷积核的数量增加到100种，每种卷积核的参数不一样，这样每种卷积核对图像进行卷积操作时，就可以得到对图像的不同特征的反应。通过卷积核过滤的结果我们称为特征图（feature map）， 100种卷积核就有100个特征图。这100个特征图就组成了一组神经元。

我们假定用 16 表示卷积核（filter）的数量，那么每一个卷积核会生成一个 2 维的 feature，16 个滤波器就生成 16 个 feature,16 个 feature 组成了卷积后的 feature map，而 16 就是 feature map 的通道数。

这样就回答了前面的问题：为什么颜色通道为 3 的图像，经过卷积后，它的通道数量可以变成 16 或者其它呢？

在深度学习中，一个卷积神经网络通常有成百上千个 filters，它们通过反复学习，最终形成了可靠的特征表达能力。

3. 卷积过程-3D效果图

下图是一个3D的RGB效果图，每个kernel（filter）可以扫描出一张feature，多个filter可以叠加出很厚的feature map，前一层filter做卷积可以形成后一层的一个像素点。

在深度学习中，除了卷积核的尺寸是设计的，卷积核里面的数值是深度学习自己训练出来的，开发人员在事先是不能确定它的值的，这是它的魅力与神奇之处。