（1）單個獨立卷積核的通道數=輸入圖像的通道數（輸入圖像決定）；
（2）獨立卷積核的個數=輸出圖像的通道數（用戶決定）。
在描述卷積核時，“ 卷積核通道數 ”這個概念必須搞清楚，是指“ 單個獨立卷積核的通道數 ”，還是指 獨立卷積核的個數（輸出通道數） 。
例：
假如輸入圖像的規模為 32×32×128 ，即輸入通道數為128；
那麽根據前面（1）可知單個卷積核的通道數也是128，即卷積核尺寸應該為： n×n×128 （n通常為3、5、7等）。
假如用256個這樣的卷積核對輸入進行卷積，則最後得到的輸出圖像尺寸為（根據前面（2））： (32-n+1)×(32-n+1)×256 ，即輸出圖像有256個通道（壹個卷積核得到壹個輸出結果，也就是壹個通道，相當於把原來只有128層的圖像，擴展到了256層）。
可見，本次所有卷積核尺寸（或者說卷積核的總參數個數）是： n×n×128×256
需要註意的是， 很多時候在描述卷積核時，通常會忽略單個卷積核的通道數，而保留了卷積核個數 ，如上面的總卷積核簡寫為： n×n×256 ，省略了128，這麽寫是有道理的，因為這4個參數中128這個參數是由輸入圖像的通道數決定的，而其他三個參數則是由用戶決定的。
因此在解讀卷積核尺寸時，必須搞清楚，第三個參數是輸入通道數還是卷積核個數。判斷標準就是前面的（1）和（2）兩點結論。
圖片通道channel ：通常jpg等彩色圖片由R、G、B三個圖層構成，每個圖層實際上就是壹個二維矩陣，也就是所謂的壹個通道，因此壹個彩色圖片通常有3個通道，而壹個黑白圖片就只有壹個通道。
tensorfllow中的“輸入通道in_channels”：輸入圖像的通道數。
tensorfllow中的“輸出通道out_channels”：輸出圖像的通道數。
最初輸入的圖片樣本的 channels ，取決於圖片類型，比如RGB；
卷積操作完成後輸出的 out_channels ，取決於卷積核的數量。此時的 out_channels 也會作為下壹次卷積時的卷積核的 in_channels；
卷積核中的 in_channels ，就是上壹次卷積的 out_channels ，如果是第壹次做卷積，就是輸入本圖片的 channels 。
tf.nn.conv2d()是TensorFlow裏面實現卷積的函數，其調用方式如下：
下圖展示了對壹張3通道jpeg圖片進行兩次連續卷積操作的過程：
輸出結果：
blogs.com/welhzh/p/6607581.html
blogs.com/billux/p/9072173.html