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