CNN中怎么搞懂循环和各变量的维度？

这是我的第一篇技术博客！

在学习吴恩达老师的深度学习课程中的卷积神经网络的建模部分，我遇到了一个问题，就是在不使用深度学习框架的情况下做CNN的前馈时，搞不清楚循环和各变量的维度之间的关系，比如下面这个过程：

最好的方法其实就是把问题化简，看其最小、最本质的步骤是什么，就是如上图所示的过程，看输出层的单个例子、单个通道的特定一点$z[i,h,w,c]$是怎么得来的，具体实现代码如下：

def conv_forward(A_prev, W, b, hparameters):
    """
    Implements the forward propagation for a convolution function
    
    Arguments:
    A_prev -- output activations of the previous layer, 
        numpy array of shape (m, n_H_prev, n_W_prev, n_C_prev)
    W -- Weights, numpy array of shape (f, f, n_C_prev, n_C)
    b -- Bi