图中的输入的数据维度为\(14\times 14\)，过滤器大小为\(5\times 5\)，二者做卷积，输出的数据维度为\(10\times 10\)（\(14-5+1=10\)）。如果你对卷积维度的计算不清楚，可以参考我之前的博客吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（上）。

上述内容没有引入channel的概念，也可以说channel的数量为1。如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（\(14\times 14\times 3\)）。由于卷积操作中过滤器的channel数量必须与输入数据的channel数量相同，过滤器大小也变为\(5\times 5\times 3\)。在卷积的过程中，过滤器与数据在channel方向分别卷积，之后将卷积后的数值相加，即执行\(10\times 10\)次3个数值相加的操作，最终输出的数据维度为\(10\times 10\)。

以上都是在过滤器数量为1的情况下所进行的讨论。如果将过滤器的数量增加至16，即16个大小为\(10\times 10\times 3\)的过滤器，最终输出的数据维度就变为\(10\times 10\times 16\)。可以理解为分别执行每个过滤器的卷积操作，最后将每个卷积的输出在第三个维度（channel 维度）上进行拼接。

二维卷积常用于计算机视觉、图像处理领域。