2D卷积神经网络的计算过程
2D卷积：卷积核在输入图像的二维空间进行滑窗操作。
单通道卷积
多通道卷积
输入图片的shape为（input_height，input_width，input_channels）。分别为7x7x3，三通道对应RGB三个通道。 卷积核（convolution kernel）的shape为（kernel_height，kernel_width，kernel_channels）。分别为3x3x3。这里共有两个filter，即filter_num=2，filter_num等于输出的channel数，即filter_num=output_channels。
feature_map每个值由三个通道的卷积核卷积后累加得到，多个通道的信息被压缩了，每个卷积核输出为一张二维feature_map。多通道卷积中不同通道上的卷积核的参数不同。
2D卷积只考虑到了空间的特征，而没有考虑时间的特征。
3D卷积神经网络的计算过程
3D卷积：卷积核在输入图像的三维空间进行滑窗操作。
3D卷积多了一个深度通道（depth），这个深度一般为视频上的连续帧，或立体图像的不同切片。
输入的shape变为（input_depth，input_height，input_width，input_channels）。 如上图的input_depth为3，视频上的连续3帧图片（注意，不是一张图片的3个通道）。
卷积核的shape为（kernel_depth，kernel_height,kernel_width,kernel_channels）。如上图的kernel_depth为2。对应上面同颜色的可以看成同一通道下的卷积核，不同颜色可以看成同一卷积核的不同通道下的卷积核（注意，一定要多类比2D卷积就好理解了）。
3D卷积中的卷积核是3D的，在同一个channel下使用的是同样的参数，就好比2D卷积中卷积核每一个通道使用的权重是一样的，不同的通道权重可能不一样。
