转载自：https://blog.csdn.net/dcrmg/article/details/79652487
前几天在看CS231n中的CNN经典模型讲解时，花了一些时间才搞清楚卷积层输入输出的尺寸关系到底是什么样的，现总结如下。（可以参照我画的题图理解卷积层的运算）
* 注：以下计算演示均省略掉了 Bias ，严格来说其实每个卷积核都还有一个 Bias 参数。
总结下来，其实只需要认识到，虽然输入的每一张图像本身具有三个维度，但是对于卷积核来讲依然只是一个一维向量。卷积核做的，其实就是与感受野范围内的像素点进行点积（而不是矩阵乘法）。
卷积层内卷积核的个数不是计算出来的，而是人为设计出来的。经典的网络每一个卷积层有多少个卷积核可以查看对应论文。如果是自己玩，你弄多少个都没人管你。
附：TensorFlow 中卷积层的简单实现
def conv_layer(x, out_channel, k_size, stride, padding): in_channel = x.shape[3].value w = tf.Variable(tf.truncated_normal([k_size, k_size, in_channel, out_channel], mean=0, stddev=stddev)) b = tf.Variable(tf.zeros(out_channel)) y = tf.nn.conv2d(x, filter=w, strides=[1, stride, stride, 1], padding=padding) y = tf.nn.bias_add(y, b) y = tf.nn.relu(y) return x
参考链接：https://zhuanlan.zhihu.com/p/29119239
本文链接：http://task.lmcjl.com/news/12518.html
