五、卷积神经网络CNN3（2D与3D卷积、池化）

2D卷积

2D 卷积操作如图 1 所示，为了解释的更清楚，分别展示了单通道和多通道的操作。且为了画图方便，假定只有 1 个 filter，即输出图像只有一个 chanel。

其中，针对单通道，输入图像的 channel 为 1，卷积核尺寸为 (k_h, k_w, 1)，卷积核在输入图像上的的空间维度（即(height, width)两维）上进行进行滑窗操作，每次滑窗和 (k_h,k_w) 窗口内的 values 进行卷积操作（现在都用相关操作取代），得到输出图像中的一个value。

针对多通道，假定输入图像的 channel 为 3，卷积核尺寸为 (k_h, k_w, 3)， 卷积核在输入图像上的的空间维度（即(h, w)两维）上进行进行滑窗操作，每次滑窗与 3 个 channels上的 (k_h, k_w) 窗口内的所有的 values 进行相关操作，得到输出图像中的一个 value。

3D卷积

3D 卷积操作如图 2 所示，同样分为单通道和多通道，且只使用一个 filter，输出一个channel。

其中，针