在一般的深度學習框架的 conv2d 中，如 tensorflow、mxnet，channel 都是必填的一個參數
在 tensorflow 中，對於輸入樣本中 channels 的含義，一般是RGB圖片，channels的數量是3（R、G、B）。而灰度圖是的channels是1；
mxnet 中，一般channels的含義是：每個卷積層中卷積核的數量。
為了更好的理解，下面舉個例子。圖片來自 吳恩達老師的深度學習課程
假設有一個 6x6x3的圖片樣本，使用 3x3x3的卷積核。此時輸入的 channels 為3。而卷積核中的 in_channels 與需要進行卷積操作的數據channels一致
卷積：27個數字分別與樣本對應相乘，在進行求和，得到第一個結果。依次進行，最終得到 4x4 的結果
由於只有一個卷積核，最終得到的結果是 4x4x1，out_channels為1
在實際應用中，都會使用多個卷積核。這里如果再加一個卷積核，就會得到 4x4x2 的結果
總結一下，把上面提到的channels分為三種：
1. 最初圖片的輸入樣本channels，取決於圖片類型，比如RGB；
2. 卷積操作完成后輸出的 out_channels，取決於卷積核的數量。此時的 out_channels 也會作為下一次卷積時的 in_channels;
3. 卷積核中的 in_channels，剛剛2中已經說了，就是上一次卷積的out_channels，如果是第一次做卷積，就是1中樣本圖片的 channels
其實在CNN中，搞清楚每一層的傳遞關系，主要就是height、width的變化情況，以及 channels 的變化情況
在看看 tensorflow 中 tf.nn.conv2d 的 input 和 filter 這兩個參數
input : [batch，in_height，in_width，in_channels]
filter : [filter_height，filter_width，in_channels，out_channels]
參考地址：
https://blog.csdn.net/sscc_learning/article/details/79814146