在链接的教程中，每个内核都是二维的，并从其输入应用于单个通道/特征图。为了构建一个特征图，输出来自$N_{input\_channels}$卷积被加在一起 ​​- 这很重要，因为它允许构建在前一层中的特征图之间具有交互的特征图。

从图中可以看出，第一个输入层有 1 个通道（灰度图像），因此第 1 层中的每个内核都会生成一个特征图。但是，一旦在第 2 层中有 64 个通道，那么在第 3 层中生成每个特征图将需要将 64 个内核加在一起。如果您希望在第 3 层中有 256 个特征图，并且您希望所有 64 个输入影响每个输入，那么您通常需要 64 * 256 = 16384 个内核。值 4096 来自图中未显示的架构的其他方面，例如将特征图分成组，以便每个输出层只处理一小部分输入层。

卷积网络的演示文稿和教程之间存在一些符号和表示差异，具体取决于来源。这是其中之一。其他来源可能会将内核排列成 4D 结构：$N_{input\_channels} \times N_{output\_channels} \times K_{width} \times K_{height}$ 使内核和输入/输出之间的关系更加明确。

显示相同内容的另一种方法是将内核视为 3D，并确保内核深度 $K_{depth}$ 与输入通道数相同 $N_{input\_channels}$ - 这在数学上与总结多个单独的卷积相同，并且维度可能是 $N_{output\_channels} \times K_{width} \times K_{height} \times K_{depth}$

卷积层的输出计算如下：

深度（特征图的数量）等于该层中应用的过滤器数量（因为每个添加的通道都是一个过滤器的特征图的结果）

根据以下等式计算宽度（高度相同）

$W=\frac{W−F+2P}{S} + 1$在哪里$F$是感受野（过滤器宽度），$P$是填充和$S$是步幅。

有关更多详细信息，请参阅以下链接中的示例

CS231n 用于视觉识别的卷积神经网络