一个卷积滤波器是否总是对前一层的每个通道具有不同的系数？
Does one convolutional filter always have different coefficients for each of the channels of the previous layer?
例如，我们有 3 个通道（红、绿、蓝）的 RGB 图像。而我们使用的是卷积神经网络。
对于图像的每个通道 (R,G,B)，每个卷积滤波器是否总是具有 3 个不同的系数？
即filter-W1 是否有 3 个不同的系数矩阵：W1[::0], W1[::1], W1[::2] 如下图所示？
或者在现代神经网络的一个滤波器中经常使用相同的系数（W1[::0] = W1[::1] = W1[::2]）？
由 link 拍摄：http://cs231n.github.io/convolutional-networks/
另外：http://cs231n.github.io/convolutional-networks/#conv
Convolutional Layer
...
The extent of the connectivity along the depth axis is always equal to
the depth of the input volume. It is important to emphasize again this
asymmetry in how we treat the spatial dimensions (width and height)
and the depth dimension: The connections are local in space (along
width and height), but always full along the entire depth of the input
volume.
这里表示的是第一个隐藏层（这里是卷积层）。每个过滤器都有 3 个通道，因为你的输入（对于这一层你的图像）有 3 个通道（RGB）。产生 2 个连接的特征图（这解释了 (3x3)x2 大小的输出量）。
更一般地，对于大小为 (1x)WxHxC 的输入（为简单起见，让我们考虑批量大小为 1），每个过滤器的大小为 NxNxC（为简单起见，让我们考虑步幅为 1 和 'SAME' 填充，即使您的示例是 'VALID' 填充），因此对于 F 过滤器，您的输出大小为 (1x)WxHxF。
希望它足够清楚（对于您的示例 W = H = 7，C = 3，N = 3 和 F = 2）。
如果不够清楚，请不要犹豫发表评论:)
例如，我们有 3 个通道（红、绿、蓝）的 RGB 图像。而我们使用的是卷积神经网络。
对于图像的每个通道 (R,G,B)，每个卷积滤波器是否总是具有 3 个不同的系数？
即filter-W1 是否有 3 个不同的系数矩阵：
W1[::0], W1[::1], W1[::2]如下图所示？或者在现代神经网络的一个滤波器中经常使用相同的系数（
W1[::0] = W1[::1] = W1[::2]）？
由 link 拍摄：http://cs231n.github.io/convolutional-networks/
另外：http://cs231n.github.io/convolutional-networks/#conv
Convolutional Layer
...
The extent of the connectivity along the depth axis is always equal to the depth of the input volume. It is important to emphasize again this asymmetry in how we treat the spatial dimensions (width and height) and the depth dimension: The connections are local in space (along width and height), but always full along the entire depth of the input volume.
这里表示的是第一个隐藏层（这里是卷积层）。每个过滤器都有 3 个通道，因为你的输入（对于这一层你的图像）有 3 个通道（RGB）。产生 2 个连接的特征图（这解释了 (3x3)x2 大小的输出量）。
更一般地，对于大小为 (1x)WxHxC 的输入（为简单起见，让我们考虑批量大小为 1），每个过滤器的大小为 NxNxC（为简单起见，让我们考虑步幅为 1 和 'SAME' 填充，即使您的示例是 'VALID' 填充），因此对于 F 过滤器，您的输出大小为 (1x)WxHxF。
希望它足够清楚（对于您的示例 W = H = 7，C = 3，N = 3 和 F = 2）。
如果不够清楚，请不要犹豫发表评论:)