1 Conv Channel概念
灰色图片 grayscale: w*h
彩色图片 color image: w*h*c c表示channel（c=3，表示red/green/bule）
1 最初输入的图片样本的 channels ，取决于图片类型，比如RGB，channels=3；
2 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时的卷积核的 in_channels；
3 卷积核中的 in_channels ，刚刚2中已经说了，就是上一次卷积的 out_channels ，如果是第1次做卷积，就是1中样本图片的 channels 。
输入通道数是3，卷积核通道个数是3（输入通道个数 等于 卷积核通道个数），每个通道都需要跟一个卷积核做卷积运算，然后将结果相加得到一个特征图的输出，这里有4个过滤器，因此得到4个特征图的输出，输出通道数为4。
2 torch demo
import torch
in_channels = 5 #输入通道数量
out_channels =10 #输出通道数量
width = 100 #每个输入通道上的卷积尺寸的宽
heigth = 100 #每个输入通道上的卷积尺寸的高
kernel_size = 3 #每个输入通道上的卷积尺寸
batch_size = 1 #批数量
input = torch.randn(batch_size,in_channels,width,heigth)
conv_layer = torch.nn.Conv2d(in_channels,out_channels,kernel_size=kernel_size)
out_put = conv_layer(input)
print(input.shape) [1,5,100,100] batch_size，in_channels，width，height
print(out_put.shape) [1,10,100,100] batch_size，out_channels，width'，height'
print(conv_layer.weight.shape) [10,5,3,3] out_channels=10，in_channels=5，kernel_size ，kernel_size
总结规律：
1 输入通道个数 等于 卷积核通道个数
2 卷积核个数等于输出通道个数
