对于机器学习中多通道卷积经常理解不太精确，这里有篇讲的不错的
http://blog.csdn.net/zy1034092330/article/details/62044941
2.1 多通道图像卷积基础知识介绍
缩进在介绍RPN前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。
- 对于单通道图像+单卷积核做卷积，第一章中的图3已经展示了；
- 对于多通道图像+多卷积核做卷积，计算方式如下：
图5 多通道+多卷积核做卷积示意图（摘自Theano教程）
缩进如图5，输入图像layer m-1有4个通道，同时有2个卷积核w1和w2。对于卷积核w1，先在输入图像4个通道分别作卷积，再将4个通道结果加起来得到w1的卷积输出；卷积核w2类似。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
缩进对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。