卷积核输入和输出通道直观图
卷积神经网络的通道数与卷积核数的关系
1.上图中总共有二个卷集核，分别是W0和W1,大小都是3x3x3，前面的3x3是卷积核大小，后面的3是输入的feature map的通道，如果在tensorflow的卷积函数中形式是3x3x3x2，前面和上面一样，最后2就是输出的feature map的通道数，也是卷积核的数量。
2.以w0为例，蓝色框中三个通道各个位置的数值A=[[0,0,0,0,0,1,0,0,1],[0,0,0,0,1,1,0,0,2],[0,0,0,0,2,0,0,0,0]}乘以粉色框（卷积核）的各个通道各个位置的数值W0=[[1,1,-1,-1,0,1,-1,-1,0],[-1,0,-1,0,0,-1,1,-1,0],[0,1,0,1,0,1,0,-1,1]]，最后在加上偏置b=1,就会得到绿色框中的数值。AW0+b=output0
引用自https://segmentfault.com/q/1010000016667038