1、 了解完单个卷积是如何计算的之后,我们就可以从神经网络的角度来看‘卷积层’的运算过程了。

3、 卷积层中的滤波器数量、步长和填充的设置，如F=3, S=1, P=1，决定着输出数据的大小和复杂性。 滤波器权重的独特性体现在每个深度的卷积核对输入有不同的响应，神经元的排列则是通过深度、步长和零填充来控制输出的形状。

2、 卷积层的输出也可以包含多个通道,设卷积核输入通道数和输出通道数分别为ci和co,高和宽分别为kh和kw。 如果希望得到含多个通道的输出,我们可以为每个输出通道分别创建形状为ci×kh×kw的核数组,将它们在输出通道维上连结,卷积核的形状即co×ci×kh×kw。