多个feature map卷积计算过程

在卷积神经网络中，我一直没有注意到一个细节：在网络中间，对于特征图进行卷积是如何计算的呢？

在 tflearn中，以下代码便可表示第二次卷积操作
conv_2d(convnet, 128, 2, activation='elu', weights_init="Xavier")
可以看到的是参数中只指定了卷积核数量128和大小2*2，对于需要第一次卷积得到的64个feature map进行卷积，所以其实这里的128个卷积核都有64channel，每个卷积核对64个feature map 对应位置进行卷积计算相加，就得到了一个新的具有128个channel的 feature map。

卷积核的channel数应该和输入的channel数相同，有多少个卷积核，输出的channel数就是多少（每个卷积核分别作用于输入产生一个channel）。