虽然每个图像具有多个通道和多层卷积层。例如彩色图像具有标准的RGB通道来指示红、绿和蓝。但是到目前为止，我们仅展示了单个输入和单个输出通道的简化例子。这使得我们可以将输入、卷积核和输出看作二维张量。
当我们添加通道时，我们的输入和隐藏的表示都变成了三维张量。例如，每个RGB输入图像具有 3 × h × w 的形状。我们将这个大小为3的轴称为通道（channel）维度。在本节中，我们将更深入地研究具有多输入和多输出通道的卷积核。
当输入包含多个通道时，需要构造一个与输入数据具有相同输入通道数目的卷积核，以便与输入数据进行互相关计算。
到目前为止，不论有多少输入通道，我们还只有一个输出通道。然而，每一层有多个输出通道是至关重要的。
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是对不同的特征的相应。
1 × 1卷积，这看起来似乎没有多大意义。毕竟，卷积的本质是有效提取相邻像素间的相关特征，而 1 × 1卷积显然没有此作用。尽管如此， 1 × 1 仍然十分流行，时常包含在复杂深层网络的设计中。
因为使用了最小窗口， 1 × 1 卷积失去了卷积层的特有能力——在高度核宽度维度上，识别相邻元素间相互作用的能力。其实， 1 × 1 卷积的唯一计算发生在通道上。
下图展示了使用 1 × 1 卷积核与3个输入通道和2个输出通道的互相关计算。这里输入和输出具有相同的高度和宽度，输出中的每个元素都是从输入图像中的同一位置的元素的线性组合。我们可以将 1 × 1 卷积层看作是在每个像素位置应用的全连接层。
