卷积神经网络卷积计算具体过程?

看了很多资料，三维卷积的计算都是如图一所示，但是自己上次验证的结果却不满足图一的运算规则，今天手动验证了一下，三维卷积的运算规则就是按图一所示。只能说python对矩阵的计算应该还不够强大吧，哎，或者是自己代码写错了。。。
对于卷积神经网络中的计算，大部分人所知道的计算如图一所示：卷积核中的各参数与图像矩阵相应位置的数值相乘后再求和。但是实际计算时图像往往是rgb图像，即图像有三个通道，每张输入图像有三个二维矩阵（也说图像的深度为3），而且卷积核的数量也不止一个，所以在实际计算中是每个卷积核分别与矩阵的不同通道计算再加和，还是卷积核与所以通道同时计算，还是有其它的计算规则呢？有些人给出的解释如图二所示，为了验证图二的卷积计算过程用tensorflow（tf.nn.conv2d()）进行了实验，但是实验结果却和图二不一致，反而更像是按图三的计算规则进行的，请大神们给予指导。

图一

图二

经实验得到的卷积计算规则：
每一个（共五个：自己选取的数量）卷积核中的每一个通道（