tensorflow中输入X的张量存储于卷积核Kenel的存储的区别

对于多个三维的输入X于多个三维卷积核运用tensorflow中张量的表示，都是用四维张量存储：

x.shape = (None,高度，宽度，深度)      其中None表示输出数据的个数；

k.shape = (高度，宽度，深度，个数)

所以说，K的存储格式与X的存储格式不同，主要在，X的个数在第一维上表示，而K的个数在第四维上表示。而X的深度在第四维上表示，K的深度在第三维上表示。

例如对于如下的两个2x2x2的卷积核进行存储：

代码如下：

其中为一行是一个三维张量，一维张量（最内部的张量，划横线的）内元素的个数，表示K的数量，即第四维的数值。例如这里的【3,1】，【1,2】元素的个数都为2，表示K的数量为2。

我们再来看看X的存储：

对于2个3x3x2的张量：

代码如下：

对于X而言，每一行是一个二维张量，一维张量（最内部的张量）内的元素个数，表示X的深度。例如这里的【1,4】，【9,3】等，元素内的个数为2，代表深度为2。

 

总的来说，导致这种差异的根本原因是因为：X的shape的第一维表示数据的个数，而第四维表示每一个数据的深度；K的shape的第四维表示卷积核的个数。