由于計算機視覺的大紅大紫，二維卷積的用處范圍最廣。因此本文首先介紹二維卷積，之后再介紹一維卷積與三維卷積的具體流程，并描述其各自的具體應用。

1. 二維卷積

?? 圖中的輸入的數據維度為 14 × 14 ，過濾器大小為 5 × 5，二者做卷積，輸出的數據維度為 10 × 10（ 14 ? 5 + 1 = 10 ）。

? 上述內容沒有引入channel的概念，也可以說channel的數量為1。如果將二維卷積中輸入的channel的數量變為3，即輸入的數據維度變為（14 × 14 × 3）。由于卷積操作中過濾器的 channel 數量必須與輸入數據的channel數量相同，過濾器大小也變為 5 × 5 × 3 。在卷積的過程中，過濾器與數據在 channel 方向分別卷積，之后將卷積后的數值相加，即執行 10 × 10 次3個數值相加的操作，最終輸出的數據維度為 10 × 10 。

? 以上都是在過濾器數量為1的情況下所進行的討論。如果將過濾器的數量增加至16，即16個大小為10 × 10 × 3 的過濾器，最終輸出的數據維度就變為10 × 10 × 16 。可以理解為分別執行每個過濾器的卷積操作，最后將每個卷積的輸出在第三個維度（channel 維度）上進行拼接。

? 二維卷積常用于計算機視覺、圖像處理領域。

2. 一維卷積

?? 圖中的輸入的數據維度為8，過濾器的維度為5。與二維卷積類似，卷積后輸出的數據維度為8?5+1=48?5+1=4。

? 如果過濾器數量仍為1，輸入數據的channel數量變為16，即輸入數據維度為 8 × 16 。這里channel的概念相當于自然語言處理中的embedding，而該輸入數據代表8個單詞，其中每個單詞的詞向量維度大小為16。在這種情況下，過濾器的維度由5變為 5 × 16 ，最終輸出的數據維度仍為 4 。

? 如果過濾器數量為 n，那么輸出的數據維度就變為 4 × n。

? 一維卷積常用于序列模型，自然語言處理領域。

3. 三維卷積

這里采用代數的方式對三維卷積進行介紹，具體思想與一維卷積、二維卷積相同。

? 假設輸入數據的大小為 a1 × a2 × a3，channel數為 c，過濾器大小為
f，即過濾器維度為 f × f × f × c（一般不寫 channel 的維度），過濾器數量為 n。

? 基于上述情況，三維卷積最終的輸出為 ( a1 ? f + 1 ) × ( a2 ? f + 1 ) × ( a3 ? f + 1 ) × n 。該公式對于一維卷積、二維卷積仍然有效，只有去掉不相干的輸入數據維度就行。

? 三維卷積常用于醫學領域（CT影響），視頻處理領域（檢測動作及人物行為）。