以一張圖片作為開始吧：
這里的輸入數據是大小為(8×8)的彩色圖片，其中每一個都稱之為一個feature map，這里共有3個。所以如果是灰度圖，則只有一個feature map。
進行卷積操作時，需要指定卷積核的大小，圖中卷積核的大小為3，多出來的一維3不需要在代碼中指定，它會自動擴充至圖片的channel數。這里一共定義了5個卷積核，進行卷積操作后，得到了5個feature map。 需要注意的是，**feature map的數量就等於卷積核的數量**。
卷積層尺寸的計算原理
輸入矩陣格式：四個維度，依次為：樣本數、圖像高度、圖像寬度、圖像通道數
輸出矩陣格式：與輸出矩陣的維度順序和含義相同，但是后三個維度（圖像高度、圖像寬度、圖像通道數）的尺寸發生變化。
權重矩陣（卷積核）格式：同樣是四個維度，但維度的含義與上面兩者都不同，為：卷積核高度、卷積核寬度、輸入通道數、輸出通道數（卷積核個數）
輸入矩陣、權重矩陣、輸出矩陣這三者之間的相互決定關系
卷積核的輸入通道數（in depth）由輸入矩陣的通道數所決定。
輸出矩陣的通道數（out depth）由卷積核的輸出通道數所決定。
輸出矩陣的高度和寬度（height, width）這兩個維度的尺寸由輸入矩陣、卷積核、掃描方式所共同決定。計算公式如下。
\(height_{out} = (height_{in} - height_{kernel} + 2*padding) / stride + 1\)
\(width_{out} = (width_{in} - width_{kernel} + 2*padding) / stride + 1\)
下面這張圖展示了卷積操作具體是如何計算的：
這里用到的就是Conv2D，事實上還有Conv1D，Conv3D。這里再介紹一下Conv1D。
Conv1D是專門針對序列信息的，上面的輸入為seq_len=3，dim=3，卷積核的大小為2，由於詞向量維度為3，所以卷積核會自動擴充到3維，這和上面自動等於通道個數是相似的。
舉個栗子：
這里定義了兩個Conv1D，卷積核的大小分別設為5和3，隨機生成input，代表的意義分別為【batch，seq_len，dim】。
運行的結果：
特別值得注意的是，1*1的卷積核可以用來代替全連接層來使用。它的好處有很多，可以參考：一文讀懂卷積神經網絡中的1x1卷積核
要求是卷積核的個數等於全連接層的神經元個數。
每一個卷積核都可以生成一個feature map，但是在全連接層中就變成了一個值，破壞了空間信息，卷積核的話可以保留空間信息。同時可以簡化參數，因為卷積核是權重共享的。
參考：
【1】CNN中卷積層的計算細節
【2】一維卷積tensorflow2版本的Conv1D以及Pytroch的nn.Conv1d用法
【3】一文讀懂卷積神經網絡中的1x1卷積核