nn.Conv2d
nn.Conv2d是二維卷積方法，相對應的還有一維卷積方法nn.Conv1d,常用於文本數據的處理，而nn.Conv2d一般用於二維圖像。
channel
在深度學習的算法學習中，都會提到 channels 這個概念。在一般的深度學習框架的 conv2d 中，如 tensorflow 、mxnet ，channels 都是必填的一個參數。
channels 該如何理解？
一般的RGB圖片，channels 數量是 3 （紅、綠、藍）；而monochrome圖片，channels 數量是 1
一般 channels 的含義是: 每個卷積層中卷積核的數量。
為什么這么說呢，看下面的例子：
如下圖，假設現有一個為 6×6×3的圖片樣本，使用 3×3×3 的卷積核（filter）進行卷積操作。此時輸入圖片的 channels 為 3 ，而卷積核中的 in_channels 與 需要進行卷積操作的數據的 channels 一致（這里就是圖片樣本，為3）。
接下來，進行卷積操作，卷積核中的27個數字與分別與樣本對應相乘后，再進行求和，得到第一個結果。依次進行，最終得到 4×4 的結果。
上面步驟完成后，由於只有一個卷積核，所以最終得到的結果為 4×4×1， 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 4×4×2的結果。
總結一下，我偏好把上面提到的 channels 分為三種：
- 最初輸入的圖片樣本的 channels ，取決於圖片類型，比如RGB；
- 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卷積核的 in_channels；
- 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 。
說到這里，相信已經把 channels 講的很清楚了。在CNN中，想搞清楚每一層的傳遞關系，主要就是 height,width 的變化情況，和 channels 的變化情況。