如下图所示，这个是MNIST的神经网络，在学习CNN的过程中我发现一个问题，为什么单通道的输入图像卷积之后变成了32个通道

这个是我自己的想法：官方的说法就是通道数就是使用的卷积核的个数，其实说的通俗一些就是：像下面这张图一样，假设我们输入的图是RGB3通道的，如果我们只卷积一次，就只会输出一个值，但是输入图片是三个通道的，现在通道倒反还减少了，我觉得这样不好，所以我又做了一个卷积核再让他卷积（卷积核的形状一样，但是里面的w都是随机值，所以不用担心卷积的结果会重复），于是现在输出就有两个了，然后我们就可以多来几次，比如说来32次这种操作就可以得到一个32通道的输出了，然后输出的通道数就叫做feature map

一定要注意用很多个卷积核的时候，每个卷积核的偏置是不同的，我认为这也就是为什么要用很多个卷积核的原因，因为偏置这个东西说白了就是想让我们更偏向于某一部分的数据，但是如果我们只卷积一次就有点不公平，所以我们卷积很多次，每次都偏向不同的数据，这样就不会出现比较极端的情况。
至于这个32个通道，我觉得是根据设计者来决定的。