1.定义
卷积神经网络中的通道（channel）也叫特征图(featrue map)。
channel是在tensorflow中首先给出的，定义如下：
channels : Number of color channels in the example images. For color images, the number of channels is 3 (red, green, blue). For monochrome images, there is just 1 channel (black).
一般的RGB图片，channels数量是 3 （RGB）；而monochrome图片，channels数量是 1。
mxnet 中的channel定义如下：
channels (int) : The dimensionality of the output space, i.e. the number of output channels (filters) in the convolution.
每个卷积层中卷积核的数量。
卷积网络中主要有两个操作，一个卷积（Convolution），一个池化（Pooling）。其中，池化层并不会对通道之间的交互有影响，只是在单个通道中进行操作；而卷积层则可以在通道与通道之间进行交互，之后在下一层生成新的通道。
一般大家说通道指的是图片的色彩通道，而特征图是卷积过滤器输出的结果。但实际上，两者本质上是相同的，都是表示之前输入上某个特征分布的数据。
通道这个概念最初指的是电子图片中RGB通道，或者CMYK通道这样的配色方案，比如说一张RGB的64×64的图片，可以用一个64x64x3的张量来表示。这里的3指的就是通道，分别为红色(Red)、绿色(Green)、蓝色(Blue)三个通道。
吴恩达老师在他的深度学习课程中也给出了直观的例子：
假设现有一个为 6×6×3 的图片样本，使用 3×3×3 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个数字与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 4×4 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 4×4×1 ， out_channels 为 1 。
在实际应用中，都会使用多个卷积核。这里如果再加一个卷积核，就会得到 4×4×2 的结果。
2.作用
通道数，又叫做神经网络的宽度。
深度学习模型之所以在各种任务中取得了成功，足够的网络深度起到了很关键的作用。深度神经网络本质上是一层层的函数进行拟合，网络更深带来的一个非常大的好处，就是逐层的抽象，不断精炼提取知识，如下图第一层学习到了边缘，第二层学习到了简单的形状，第三层开始学习到了目标的形状，更深的网络层能学习到更加复杂的表达。如果只有一层，那就意味着要学习的变换非常的复杂，这很难做到。
而宽度就起到了另外一个作用，那就是让每一层学习到更加丰富的特征，比如不同方向，不同频率的纹理特征。
上面是AlexNet模型的第一个卷积层的96个通道，尽管其中有一些形状和纹理相似的卷积核(这将成为优化宽度的关键)，还是可以看到各种各种的模式。
有的是彩色有的是灰色，说明有的侧重于提取纹理信息，有的侧重于提取颜色信息。太窄的网络，每一层能捕获的模式有限，此时网络再深都不可能提取到足够的信息往下层传递。
参考：
文章出处登录后可见！
