【深度学习】简单易懂，对卷积核层数的理解

在学习卷积神经网时候，本人对代码中的卷积维度变化不是很理解，记录学习过程供参考。

假设有一个卷积核W（3X3X3X2），第一个维度为高度，第二个维度为宽度，第三个维度为通道数，第四个维度为卷积层数。上图展示一下：

关于卷积过程中维度的变化：

对于单通道的灰度图卷积很好理解，如4X4的图片用3X3的一个卷积核进行卷积（步长为一），那结果就是2X2的维度；假设卷积核有2层，即为3X3X2，那么卷积出来的结果就是2X2X2。结果的维度就相当于拿卷积核这个“面”在图像里平移，看有多少个这样的“面”。

对于多通道而言，借用上面思维来理解就清晰了，如6X6X3的RGB图片，用3X3X3的卷积核来卷积（同样步长为一），就相当于拿一个3X3X3的正方体（卷积核）在6X6X3的长方体里平移（原图像），得出的结果就是二维的4X4，因为卷积核只需要在图片的第一和第二维平移，第三维度相等无需移动。此时如果卷积核层数为2，即3X3X3X2，那么结果就相当于有两层4X4的结果，即4X4X2。以此类推。
借用网上的图帮助理解：

有时前面理解的代码偶尔回过头来看理解就出现偏差，趁现在理解了就记下来了。（#偷笑）
有问题欢迎评论指出。