卷积核本身是有通道的，通道数和输入通道数相等，卷积核的个数即输出通道数。
为了方便解释卷积操作，几乎所有的教程配图都采用的是单通道卷积核。这容易让人误以为卷积核都是一个二维矩阵，也导致我曾经在卷积操作的输入输出通道个数上产生了很大的疑惑，为什么输入通道和输出通道的个数可以不是倍数关系？
这也是为什么卷积操作中参数out_channels规定了卷积核的个数。
在学习卷积的过程中，还经常会见到一些例子帮助你理解卷积能做什么，用一些特定的卷积核对图像进行卷积可得到诸如边缘信息等特征。这会引导人去想卷积网络中用到了什么卷积核，如果这样想，那就把问题想颠倒了。卷积核里的元素就是卷积网络在训练过程中要学习的参数，之所以举出前面某些特定卷积核的例子，是为了说明卷积核是的确可以提取图像特征的。至于训练之后得到的卷积核中的元素，没人关心它们具体是什么，我们只关心它们能否提取到想要的特征。网络开始训练前的参数初始化也是在初始化卷积核中的元素。