两点结论：

（1）单个独立卷积核的通道数=输入图像的通道数（输入图像决定）；
（2）独立卷积核的个数=输出图像的通道数（用户决定）。

注意：

在描述卷积核时，“卷积核通道数”这个概念必须搞清楚，是指“单个独立卷积核的通道数”，还是指独立卷积核的个数（输出通道数）。
例：
假如输入图像的规模为32×32×128，即输入通道数为128；
那么根据前面（1）可知单个卷积核的通道数也是128，即卷积核尺寸应该为：n×n×128（n通常为3、5、7等）。
假如用256个这样的卷积核对输入进行卷积，则最后得到的输出图像尺寸为（根据前面（2））：(32-n+1)×(32-n+1)×256，即输出图像有256个通道（一个卷积核得到一个输出结果，也就是一个通道，相当于把原来只有128层的图像，扩展到了256层）。
可见，本次所有卷积核尺寸（或者说卷积核的总参数个数）是：n×n×128×256
需要注意的是，很多时候在描述卷积核时，通常会忽略单个卷积核的通道数，而保留了卷积核个数，如上面的总卷积核简写为：n×n×256，省略了128，这么写是有道理的，因为这4个参数中128这个参数是由输入图像的通道数决定的，而其他三个参数则是由用户决定的。
因此在解读卷积核尺寸时，必须搞清楚，第三个参数是输入通道数还是卷积核个数。判断标准就是前面的（1）和（2）两点结论。

1. 关于通道（channels）

图片通道channel：通常jpg等彩色图片由R、G、B三个图层构成，每个图层实际上就是一个二维矩阵，也就是所谓的一个通道，因此一个彩色图片通常有3个通道，而一个黑白图片就只有一个通道。
tensorfllow中的“输入通道in_channels”：输入图像的通道数。
tensorfllow中的“输出通道out_channels”：输出图像的通道数。

最初输入的图片样本的 channels ，取决于图片类型，比如RGB；
卷积操作完成后输出的 out_channels ，取决于卷积核的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels；
卷积核中的 in_channels ，就是上一次卷积的 out_channels ，如果是第一次做卷积，就是输入本图片的 channels 。

2. 函数解析

tf.nn.conv2d()是TensorFlow里面实现卷积的函数，其调用方式如下：

result = tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

• input：待卷积的一张或一组图片，是一个4维Tensor，规定其shape=[batch, in_height, in_width, in_channels]，（读入图片后通常需要进行一次数组转化，满足tensorflow的格式要求后才能进行卷积计算）
  batch=图片张数
  in_height=单张图片高度
  in_width=单张图片宽度
  in_channels=单张图片通道数（黑白图片为1，彩色图片为3，如有必要也可以任意指定）
  例：对一张32×32的黑白图片进行卷积，必须将图片转化为input=[1,32,32,1]格式；对2张32×32的彩色图片进行卷积，必须将图片转化为input=[2,32,32,3]。
• filter：卷积核（组），是一个4维Tensor，规定其shape=[filter_height, filter_width, in_channels, out_channels]
  filter_height=单个卷积核高度
  filter_width=单个卷积核宽度
  ★★in_channels（实际上就是input的in_channels，两者必须相等，否则报错），用这个参数来确定“单个卷积核的通道数”
  ★★out_channels（输出通道数），实际上就是“卷积核个数”，该参数由用户决定
  记住：对于某个卷积层，无论输入图像有多少个通道，输出图像的通道数是由卷积核个数决定的！
• strides：卷积移动步长，是一个有四个元素的1维Tensor，strides=[b,h,w,c]，
  b：决定对哪些图片进行卷积，默认为1，即对所有图片卷积；
  h：卷积核在每张图片高度方向的移动步长；
  w：卷积核在每张图片宽度方向的移动步长；
  c：决定对每张图片的哪些通道进行卷积，默认为1，即对所有通道进行卷积；
  通常都是strides=[1,h,w,1]，对所有图片的所有通道卷积
• padding：决定图像的边缘扩展，是string类型的量，只能是"SAME","VALID"其中之一（详见https://www.imooc.com/article/details/id/29525）。
• use_cudnn_on_gpu：bool类型，是否使用cudnn加速，默认为true。
• 返回结果result：返回一个Tensor，就是我们常说的feature map，其shape=[batch, height, width, out_channels]
  batch=图片张数=input参数的batch
  height：卷积后每个输出的高度，由图像高度、卷积核高度、strides、padding共同决定
  width：卷积后每个输出的宽度，由图像宽度、卷积核宽度、strides、padding共同决定
  out_channels=filter的out_channels。

3. tensorflow图像卷积过程

下图展示了对一张3通道jpeg图片进行两次连续卷积操作的过程：

cgx-tensorflow二维卷积过程解析.jpg

• 上图中，读入图片img的in_channels通常是一个固定值1（黑白图片）或者3（彩色图片）。直接读入的图片数据还不能直接喂入tensorflow进行卷积计算，必须将其reshape成tensorflow要求的格式input=[batch, in_height, in_width, in_channels]。需要注意的是，input的in_channels可以与img的in_channels设置成不相等，用户可自定义，他只用于指定将几个二维数组（一个二维数组即是一个通道）作为一个整体进行卷积。但实际中我们通常将input的in_channels设为与img的相同，因为我们通常都对一整张图片进行卷积操作，而不是只对一张图片的一个或几个通道进行卷积计算。
• 卷积核filter的in_channels必须和input的in_channels相同，否则出错，tensorflow为一张图片（或一组二维数组）中的每个通道（图层）都单独设置一个二维卷积核（tensorflow规定一张图的几个通道不能共用一个二维卷积核，必须是一个通道对应一个二维卷积核），因此对于3通道图片，必须要有三个二维卷积核（如上图），但这三个二维卷积核可以相同。通常我们将与input的in_channels对应个数的“二维卷积核组”称为一个独立的“卷积核”或“三维卷积核”（如上图中一个紫色三维矩阵就是一个独立的卷积核）。
• filter（多维卷积核）中的out_channels参数实际上就是“独立多维卷积核的个数”，其中具体是多少维，由input的in_channels决定，而“个数”纯粹是由用户决定，与input或输入图片没有任何关系。如上图第一次卷积所示，卷积核个数为2（用户决定），每个卷积核由3个（input决定）二维卷积核（二维数组）组成。“卷积核个数”决定了用多少个独立的卷积核对一张图片进行卷积，每一个核最终都会产生一个独立的卷积结果（二维数组），也就是所谓的特征图（feature map），卷积核越多，特征图自然也越多，上图中就只有2个特征图，因为我们只用了2个三维卷积核。用不同卷积核对一张图片进行卷积，实际上就相当于用不同的方式来提取图片中不同的特征，一般卷积核越多，卷积核的差异性越大，得到的特征结果也越多。
• 从上图中可以看出，对一个多通道的图片，tensorflow会为每一个通道（图层）都分配一个二维卷积核，最后把所有通道的卷积结果“对应求和”作为该图片的一个完整卷积结果，这个结果就是这个图片的一个特征图（feature map）。
• 从上图中还能看出 tensorflow中无论一张图片有多少个通道，对一个完整的卷积核而言，最终就只能得到一个二维的feature map，其原因在于，tensorflow最终会把所有通道的卷积结果在对应位置进行求和，从而将多维矩阵压缩成一个二维矩阵。
• 上图中第一次卷积的结果是，将一张3通道图片通过2个3维卷积核变成了一个2通道的最终卷积结果。
• 第一次卷积结束后，会把一张图的所有特征图作为一个整体进行下次一卷积计算，而不会将这些特征图分开。
• 前一次卷积的结果是下一次卷积的输入，因此下一次卷积的输入通道数in_channels是由上一次卷积的“卷积核个数”决定的（用户决定）。

4. 一般卷积网络解读示例（根据前面知识）

卷积网络结构解读.png 卷积网络结构解读2.png

5. Conv2D(）如何定义一个卷积层？

图片1.jpg

6. tensorflow图像卷积实例

import tensorflow as tf
import matplotlib.pyplot as plt

sess  = tf.InteractiveSession()

# 二维卷积核大小（多个二维卷积核组成一个三维卷积核）
kernel_size = 7
# 卷积步长
stride_size = 3
# 输出通道数（三维卷积核个数，或输出特征图个数）
out_channels = 4 
 
# 读入图像文件
image_value = tf.read_file('./cgx.jpg')
# 图像解码
img = tf.image.decode_jpeg(image_value, channels=3)
# print(img.eval().shape) #原始图片维度
img_hight = img.eval().shape[0] #得到图像的高度维
img_width = img.eval().shape[1] #得到图像的宽度维
img_inchannels = img.eval().shape[2] #对于jpg图片为3

# 显示图片
plt.figure(1)
plt.imshow(img.eval()) #完整图像
# plt.imshow(img.eval()[:,:,0]) #G层
# plt.imshow(img.eval()[:,:,1]) #B层
# plt.imshow(img.eval()[:,:,2]) #R层
plt.show()

# # 格式转换，转化成浮点数便于计算
img = tf.to_float(img, name='ToFloat')

# 将图片转化成适合tensorflow卷积的格式
# 第一个参数1是输入图片张数，最后一个3个RGB3个维度
batch_shape = (1,img_width,img_hight,img_inchannels)
input_img = tf.reshape(img,batch_shape)

# 生成卷积核
filter = tf.Variable(tf.random_normal([kernel_size,kernel_size,img_inchannels,out_channels]))
# 卷积步长定义
strides_shape =[ 1,stride_size,stride_size,1]
# 调用conv2d()函数计算二维卷积
my_conv2d = tf.nn.conv2d(input_img, filter, strides_shape, padding='VALID')

##############################################################################################
#执行会话
# 调用sess初始化变量
sess.run(tf.global_variables_initializer())
#调用sess.run()执行卷积操作
feature_maps = sess.run(my_conv2d) #numpy.ndarray数组，shape=[原始图片张数，卷积后的高，卷积后的宽，特征图张数]

print('原始图像维度：[原始图片张数，图片高，图片宽，图片通道数]={}'.format(input_img.shape))
print('卷积图像维度：[原始图片张数，特征图高，特征图宽，特征图张数]={}'.format(feature_maps.shape))

# 展示每所有特征图
for i in range(feature_maps.shape[3]):
    print("第{}个特征图：".format(i+1))
    plt.imshow(feature_maps[0,:,:,i],cmap='gray') #第一个特征图
    plt.show()

# 关闭会话
sess.close()

输出结果：

卷积结果.png

5. 参考链接

https://www.cnblogs.com/welhzh/p/6607581.html
https://www.jianshu.com/p/abb7d9b82e2a
https://www.imooc.com/article/details/id/29525
https://cloud.tencent.com/developer/article/1341522
https://www.cnblogs.com/billux/p/9072173.html