在机器学习领域，图像处理是一个至关重要的环节。图像本质上是由0到255的数值组成的数组，这些数值被计算机用来显示饱和度。那么颜色是如何产生的呢？从根本上讲，颜色是通过不同比例混合红色、绿色和蓝色产生的。当一个图像是彩色图像时，它被数字化存储为红色值、蓝色值和绿色值的数组。计算机“即时混合”这些颜色以产生彩色输出。
因此，当神经网络观察到这一点时，它对每个红色、绿色和蓝色通道进行卷积运算。正如所看到的，这增加了计算的复杂性。与仅对一个数组进行单一卷积运算不同，PyTorch必须对三个不同的数组执行卷积运算。另一方面，灰度图像只在一个数组中存储值（黑色和白色），这意味着上述计算只需要计算一次卷积。
因此，如果灰度图像在计算上更有效，也许一个更好的问题是，何时不应该将其作为机器学习模型的预处理步骤？（*假设图像已经被存储并作为单通道图像输入模型）答案相当直观，但有细微差别：当认为颜色为模型提供有意义的信号，并且颜色在外观上相当相似时，应该谨慎使用灰度图像。
在实践中，这意味着什么？想象一下，正在构建一个Keras深度学习模型来检测和分类国际象棋棋子。在这里，很明显颜色对模型很重要：一个玩家是黑色棋子，另一个是白色棋子。但不需要太担心应用灰度作为预处理步骤。即使在这种情况下颜色很重要，感兴趣的颜色（黑色和白色...）包含强烈的对比度。向模型展示灰度图像仍然可以使其轻松区分黑色和白色玩家。
考虑构建一个TensorFlow模型来帮助自动驾驶汽车进行车道检测。在这里，颜色也很重要：道路中间有黄线，道路边缘有白线。在这种情况下，应该对应用灰度持谨慎态度。因为白色和黄色相对相似（即，对比度低的颜色），应该犹豫是否将图像灰度化。