在我见过的所有处理图像的 CNN 实现中，任何层的输出都是

Width x Height x Channels

或某种排列。这与输入的维数相同，卷积层没有添加额外的维数。CNN 层输出中的每个特征图通道都是通过添加多个 2D 内核（输入层中的每个通道一个）的结果创建的“扁平化”2D 数组。

通常，即使是灰度输入图像也应该被表示为，Width x Height x 1以便它们适合相同的模式并且可以使用相同的层模型。

构建将标准 2D+channels 输入层转换为 3D+channels 层的层设计是完全可行的。这不是我以前见过的事情，但你永远不能排除它在特定问题中可能有用。

您可能还会在 CNN 中看到 3D+channels 卷积应用于视频，但在这种情况下，结构将是一些变化

Width x Height x Frames x Channels

这取决于您选择的过滤器数量。假设您选择了 64 个过滤器。

您的权重张量的形状将是 [3, 3, 3, 64] （第 3 个 3 是输入层中的通道数，64 是输出层中的通道数）和偏置张量形状 [64]

对于 224 * 224 * 3 = 224 * 224 * 64 的输入图像，输出将是如果 Pad = "SAME" 和步幅 1

对于 224 * 224 * 3 = 221 * 221 * 64 的输入图像，如果 Pad = "Valid" 和步幅为 1，则输出将是

现在输入 221 * 221 * 64 如果你想在下一层创建 128 个过滤器，你的 - 权重向量形状将是 [3, 3, 64, 128] 并且 - 偏置向量形状将是 [128]

和输出形状 - 如果 Pad = "SAME" [ 221 , 221 , 128 ] - 如果 Pad = "VALID" [ 198 , 198 , 128 ] 考虑 stride = [1,1,1,1]

您可以在使用 layername.get_shape() 构建图形时检查这些结果。

深度学习中卷积的输出维度取决于多个因素

1. 过滤器的大小（又名内核）
2. 填充（无论您是否在图像周围添加零以及数量）
3. 您使用的过滤器数量
4. 步伐

最简单的依赖关系是过滤器的数量N。它为您提供输出具有的特征图的数量。对于可能是 RGB 通道的输入，即 3，对于输出，这个数字可以自由选择。

下一个因素是零填充。如果您使用 (3,3) 的过滤器大小和“有效”填充，即在图像周围添加 NO 零，您最终会得到一个维度的输出。

(100, 100, 3) -> (98, 98, N)

因为您使用的步幅为 1。如果您在图片末尾的图像上沿每个方向移动滤镜，滤镜将在 98 步后到达边界。

但是，如果您使用“SAME”填充，您将补偿过滤器大小 - 如果过滤器大小为 (3,3)，这将对应于图像周围的一行零 - 您最终将得到：

(100, 100, 3) -> (100, 100, N)

例如，步幅为 2 时，您将过滤器的位置移动两个像素。因此，你得到

(100, 100, 3) -> (50, 50, N)

三个通道 RGB 由不同的内核卷积并添加到每个特征图中。因此，您将有 100 x 100 x N 作为输出第一层。