在學習tensorflow時，總是對各種各樣的引數煩的死去活來，尤其是卷積核的長寬高步長什麼的，特別“迷人”。因此本人搜尋了很多的資料，進行了綜合，並加上了自己的理解，供大家學習參考。

一、輸入的四個維度

1）batch_size：說白了，就是圖片的個數。

2）height/weight:圖片的高和寬。

3）channels:圖片的通道數，黑白照片就是1，RGB就是3。

例如我們的輸入是X =【333，28，28，3】，則代表我們有333個寬和高都是28的黑白照片（單通道照片）。

二、卷積核的四個維度

1）height/weight:卷積核矩陣的維度

2）inchannels:與輸入的通道數相等。如何理解這個引數的意思呢？這個引數代表的是我們所操作的影象的通道數。例如，我們有上例的X的通道數為3，那這個inchannels也是3。我們要做的是，將這個卷積核分別與圖片A的三個通道卷積，相加作為輸出。

3）outchannel：輸出的特徵數。這個引數是自己選定的。

現在假設我們X=【333，28，28，3】的輸入，W=【5，5，3，32】。那麼輸出是什麼呢？首先輸出圖片數不變，仍是333。其次，我們先假設圖片大小也不變（後文會討論）。我們的操作是，對於任意333張中的任意一張圖片A，用32個卷積核去卷積，這樣我們每張圖片就會得到32個特徵，那麼得到的新圖片的通道數就是32（對應前面的RGB的通道數是3）。因此我們的得到的輸出是【333，28，28，32】（假設得到的圖片大小不變）.如下圖所示。

4）、步長的維度

步長的維度一般設定【1，a,a,1】。第一個和第四個分別代表跳過照片的數量和跳過維度的數量，因為我們要訓練每一張照片和每一個維度，所以上述都設定為1（以上是我的猜測QAQ）。中間的則代表我們在照片長寬跳過的畫素數。這裡，網上有兩個盛傳的公式：

卷積：(（W-F+2P）/S )+ 1

池化：（W-F）/S + 1.

例如池化矩陣的大小和步長都是2*2的。那麼池化後的高：（28-2）/2 +1 = 14，寬：（28-2）/2 + 1 =14.

關於池化層和卷積層的引數問題就講到這裡。本文寫的相當倉促，所以可能會有大量的漏洞和不足，望指正。