多个张量与多个卷积核做卷积运算的输出结果

import tensorflow as tf


inputValue = tf.constant([
    #1个张量
    [
        #3行3列2深度
        [[2, 5], [3, 3], [8, 2]],
        [[6, 1], [1, 2], [5, 4]],
        [[7, 9], [2, 3], [-1, 3]]
    ],
    [
        [[1, 3], [2, 1], [3, 2]],
        [[1, 1], [2, 2], [1, 4]],
        [[3, 4], [4, 2], [-1, 1]]
    ]
], tf.float32)

kernels = tf.constant([
    # 2行
    [
        # 2列
        [
            # 2深度
            [3, 1, -3], [1, -1, 7]
        ],
        [
            [-2, 2, -5], [2, 7, 3]
        ]
    ],
    [
        # 2列
        [
            [-1, 3, 1], [-3, -8, 6]
        ],
        [
            [4, 6, 8], [5, 9, -5]
        ]
    ]
], tf.float32)

validResult = tf.nn.conv2d(inputValue, kernels, [1, 1, 1, 1], "VALID")

print(validResult)

2个3行3列2深度的输入量与3个2行2列2深度的卷积和做卷积

输入量的深度与卷积和的深度必须相同

输出量的深度是卷积核的个数

输出量的个数是输入量的个数

输出量的行列数与padding和stride有关，卷积运算时，在个数和深度两个维度的stride都取1，行和列的stride视情况而定。

张量与卷积的理解，推荐《图解深度学习与神经网络：从张量到TensorFlow实现》_张平这本书