針對這個圖，我們對應著卷積的api函式來說：

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

如上圖：

第一列為一張輸入影象， 大小為7*7*3， 即寬高為7*7， 通道數為3

所以inputs的維度就是： [-1, 7, 7, 3] , -1是表示batch的大小可以隨意，基於輸入決定

第二列和第三列為一個卷積層， 對應著引數filter， 它是一個4d的引數， 分別為卷積層的高，寬，影象通道數，卷積核數

寬高很顯然是3*3， 就是第二列或者第三列裡面的一個紅色的矩形的寬高

影象通道數，對應著輸入影象的通道數，也就是3，也就是第二列Filter W0或W1中的3*3矩形的個數， 可以看到上面第一列和第二列之間的連線，說明第一列的7*7的矩形個數和第二列的3*3的矩形個數要一致，都是影象的通道數

卷積核數，就是第二列到第三列的列數，只有兩列，所以卷積核數是2， 一個卷積核是指整個第二列或第三列， 卷積核不是那個3*3的矩形，是整個第二列的3個3*3的矩形的組合， 所以整個第二列是一個卷積核，第三列也是一個卷積核

第四列是卷積後的值

輸入層和第二列的卷積核計算得到的結果為Output Volume的第一個3*3的矩陣， 這個3*3矩陣的每個元素都會加上b[0]，上圖是已經加後的結果

輸入層和第三列的卷積核計算得到的結果為Output Volume的第二個3*3的矩陣， 這個3*3矩陣的每個元素都會加上b[1]，上圖是已經加後的結果

偏執b的維度及其加法規則：

     偏執b是一個一維的向量，維度與卷積核數一致，也就是2， 所以b的維度是2*1

     加法規則上面已經解釋了， 因為b的維度與卷積核的維度一致，所以是輸入層和第一個卷積核每步計算的結果要加上b[0], 輸入層和第二個卷積核每步計算的結果要加上b[1]