在MNIST示例中，第一个卷积层接收一个（28,28,1）的特征图，输出（26，26,32）的特征图，即在输入上计算32个过滤器。这32个输出通道，每个通道都包含一个 26X26 的数值网络，它是过滤器对输入的响应图（response map），表示这个过滤器模式在输入中不同位置的相应。
特征图含义：深度轴的每个维度都是一个特征（或过滤器），而2D张量output[：，：，n]是这个过滤器在输入上相应的二维空间图（map）。

相应图概念：某个模式在输入中的不同位置是否存在的二维图.PNG
卷积有两个关键参数定义：
1、从输入中提取图块尺寸：大小通常是 3X3 或 5X5，常用 3X3；
2、输出特征图的深度：卷积所计算的过滤器数量。
Conv2D(output_depth, (window_height, window_width))

卷积的工作原理：

在 3D 输入特征图上滑动（slide）这些 3×3 或 5×5 的窗口，在每个可能的位置停止并提取周围特征的 3D 图块［形状为(window_height, window_width, input_depth)］。然后每个 3D 图块与学到的同一个权重矩阵［叫作卷积核（convolution kernel）］做张量积，转换成形状为 (output_depth,) 的 1D 向量。然后对所有这些向量进行空间重组，使其转换为形状为 (height, width,output_depth) 的 3D 输出特征图。输出特征图中的每个空间位置都对应于输入特征图中的相同位置（比如输出的右下角包含了输入右下角的信息）。举个例子，利用 3×3 的窗口，向量 output[i, j, :] 来自 3D 图块 input[i-1:i+1,j-1:j+1, :]。

卷积的工作原理.PNG

输出的宽度和高度与输入的宽度和高度可能不同，可能因为两个原因：
1、边界效应，可以通过对输入特征图进行填充来抵消；
2、使用了步幅（stride）。
对于 Conv2D 层，可通过 padding 参数补充。“valid”（默认）：表示不使用填充（只使用有效窗口位置）；“same”：填充后的宽度和高度与输入相同。