一般而言，深度卷積網絡是一層又一層的。層的本質是特徵圖, 存貯輸入數據或其中間表示值。
一組卷積核則是聯繫前後兩層的網絡參數表達體, 訓練的目標就是每個卷積核的權重參數組。
描述網絡模型中某層的厚度，通常用名詞通道channel數或者特徵圖feature map數。
不過人們更習慣把作為數據輸入的前層的厚度稱之為通道數（比如RGB三色圖層稱為輸入通道數為3），把作為卷積輸出的後層的厚度稱之為特徵圖數。
卷積核(filter)一般是3D多層的，除了面積參數, 比如3x3之外, 還有厚度參數H（2D的視為厚度1). 還有一個屬性是卷積核的個數N。
卷積核的厚度H, 一般等於前層厚度M(輸入通道數或feature map數). 特殊情況M > H。
卷積核的個數N, 一般等於後層厚度(後層feature maps數，因為相等所以也用N表示)。
卷積核通常從屬於後層，為後層提供了各種查看前層特徵的視角，這個視角是自動形成的。
卷積核厚度等於1時為2D卷積，對應平面點相乘然後把結果加起來，相當於點積運算；
卷積核厚度大於1時為3D卷積，每片分別平面點求卷積，然後把每片結果加起來，作為3D卷積結果；1x1卷積屬於3D卷積的一個特例，有厚度無面積, 直接把每片單個點乘以權重再相加。
歸納之，卷積的意思就是把一個區域，不管是一維線段，二維方陣，還是三維長方塊，全部按照卷積核的維度形狀，對應逐點相乘再求和，濃縮成一個標量值也就是降到零維度，作為下一層的一個feature map的一個點的值！
可以比喻一群漁夫坐一個漁船撒網打魚，魚塘是多層水域，每層魚兒不同。
船每次移位一個stride到一個地方，每個漁夫撒一網，得到收穫，然後換一個距離stride再撒，如此重複直到遍歷魚塘。
A漁夫盯著魚的品種，遍歷魚塘後該漁夫描繪了魚塘的魚品種分布；
B漁夫盯著魚的重量，遍歷魚塘後該漁夫描繪了魚塘的魚重量分布；
還有N-2個漁夫，各自興趣各幹各的；
最後得到N個特徵圖，描述了魚塘的一切！
2D卷積表示漁夫的網就是帶一圈浮標的漁網，只打上面一層水體的魚；
3D卷積表示漁夫的網是多層嵌套的漁網，上中下層水體的魚兒都跑不掉；
1x1卷積可以視為每次移位stride，甩鉤釣魚代替了撒網；
下面解釋一下特殊情況的 M > H：
實際上，除了輸入數據的通道數比較少之外，中間層的feature map數很多，這樣中間層算卷積會累死計算機（魚塘太深，每層魚都打，需要的魚網太重了）。
所以很多深度卷積網絡把全部通道/特徵圖劃分一下，每個卷積核只看其中一部分（漁夫A的漁網只打撈深水段，漁夫B的漁網只打撈淺水段）。
這樣整個深度網絡架構是橫向開始分道揚鑣了，到最後才又融合。
這樣看來，很多網絡模型的架構不完全是突發奇想，而是是被參數計算量逼得。
特別是現在需要在行動裝置上進行AI應用計算(也叫推斷), 模型參數規模必須更小, 所以出現很多減少握手規模的卷積形式, 現在主流網絡架構大都如此。