假设你在卷积神经网络的第一层中有5 个卷积核，每个卷积核尺寸为 7x7，具有零填充且步幅为 1。该层的输入图片的维 度是 224x224x3。那么该层输出的维度是多少?

在卷积神经网络中，第一层如果有5个卷积核，每个卷积核的尺寸为7x7，并且具有零填充（padding）和步幅（stride）为1，我们可以计算输出特征图（feature map）的维度。

给定的输入图片的维度是224x224x3（高度x宽度x颜色通道数）。使用零填充意味着在输入图片的边界周围添加0值，这样卷积核在边缘也可以进行计算而不会“溢出”。步幅为1意味着卷积核每次移动1个像素。

输出特征图的维度可以通过以下公式计算：

输出维度 = (输入维度 + 2 * 填充大小 - 卷积核尺寸) / 步幅 + 1

如果假设填充大小等于卷积核尺寸的一半（这是因为卷积核尺寸为奇数，且7 / 2 = 3.5，取整后为4），则填充大小为4。

代入数据计算输出维度：

输出维度 = (224 + 2 * 4 - 7) / 1 + 1
          = (224 + 8 - 7) + 1
          = 225 + 1
          = 226

因此，输出特征图的高度和宽度都是226。颜色通道数由卷积核数量决定，本例中为5个卷积核，所以输出特征图的颜色通道数是5。

综上所述，该层输出的维度是226x226x5。