keras中卷积核维数与输入维数的关系

         里面如果有错的话，还望指正，谢谢。
在使用keras的卷积层时，需要选择卷积核的维数，对应的函数分别为Conv1D和Conv2D等，刚开始使用时一直没搞明白为啥输入图像是3维的RGB图像，但是在配置卷积层时却选择Conv2D函数，而不是Conv3D，后来看keras的源码，才知道原因（我等菜鸟还是要多看源码才能进步。。）
        在keras.layers中的convolutional.py中，基类函数_Conv中卷积核的尺寸是kernel_shape，可以看到代码中：

kernel_shape = self.kernel_size + (input_dim, self.filters)

        self.kernel_size由conv_utils.normalize_tuple函数得到，该函数根据输入的参数返回一个元组，参数分别是：kernel_size, rank,  'kernel_size'。

1、kernel_size是卷基层中人为指定的，可能为元组，也可能是一个整数，用于确定返回的元组kernel_size中元素的值；

2、rank为卷积核的维数（https://www.zhihu.com/question/21605094，第一个回答把秩的概念将的非常清楚，厉害）,也是一个输入时确定的参数，但是在继承类中都已经指定了。用于确定返回的元组中kernel_size的大小;

3、'kernel_size'仅仅用于报错时指出错误。

       例如在使用Conv2D时，假设设置的kernel_size =3，或者(3,3)，rank已经设定为2，则返回的 self.kernel_size=(3,3)

       等式的第二个部分是一个元组， (input_dim, self.filters)分别表示输入数据的维度和卷积核的个数，两个元组相加，得到最终的卷积核的shape。例如在输入为RGB图像时，input_dim=3（由输入参数input_shape得出），filters=64，则：

       kernel_shape = self.kernel_size + (input_dim, self.filters)=（3，3，3，64）
        
        因此在计算参数个数时，若输入尺寸为W*H*D，卷积核移动步长为s，同时padding，保持输入输出的W和H不变，考虑偏置项b，卷积核大小为(k,k)，卷积核个数为n，则此时卷积层需要确定的参数个数为：n*(k*k*D+1)，参数个数就与输入图像的大小就无关啦，少了很多参数，因此上述例子中参数个数为64*（3*3*3+1），括号中前面的27为卷积核的参数，后面的加1为偏置项b。总的连接数为：[（W-k+2*padding)/s+1]*[（H-k+2*padding)/s+1]*n*(k*k*D+1)（这里的偏置项不知道算不算是连接的一部分）,（W-k+2*padding)/s+1和（H-k+2*padding)/s+1得到输出的大小

        里面如果有错的话，还望指正，谢谢。