channel的理解

在深度学习算法中，都会提到channels这个概念，在各个流行的框架中channels都是必填的一个参数。
channels个人理解

对于一般的RGB图片，channels数量是3(红，绿，蓝)；而对于灰度来说，channels数量是1
而对卷积运算来说channels的含义是，每个卷积层中卷积核的数量。

我们可以通过下面的例子加强理解：
假设有一个6x6x3的图片样本，使用3x3x3的卷积核(filter)进行卷积操作。此时输入图片的channels为3，而卷积核中的in_channels与需要进行卷积操作的数据的channels一致。

接下来，进行卷积操作，卷积核中的27个数字分别与样本对应相乘后，再进行求和，得到第一个结果。依次进行，最终得到4x4的结果。

上面步骤完成后，由于只有一个卷积核，所以最终得到的结果为4x4x1,out_channels为1。在实际应用中，都会使用多个卷积核。如果这里有两个卷积核，就会得到4x4x2的结果。
这里总结如下:

. 最初输入的图片样本的channels，取决于图片类型，比如RGB
. 卷积操作完成后输出的out_channels,取决于卷积核的数量。此时的out_channels也会作为下一次卷积核的in_channels
. 卷积核中的in_channels,就像上边说的，就是上一次卷积的out_channels，如果第一次做卷积，就是图片样本的channels。