個人學習CNN的一些筆記，比較基礎，整合了其他博客的內容
feature map的理解
在cnn的每個卷積層，數據都是以三維形式存在的。你可以把它看成許多個二維圖片疊在一起（像豆腐皮豎直的貼成豆腐塊一樣），其中每一個稱為一個feature map。
feature map 是怎么生成的？
輸入層：
在輸入層，如果是灰度圖片，那就只有一個feature map；如果是彩色圖片（RGB），一般就是3個feature map（紅綠藍）
下圖中三大部分依次是：
輸入RGB圖片、卷積核（也稱過濾器）、卷積結果（輸出）。 * 代表卷積操作，最左部分三片代表3個feature map;
ps：
如果是灰色圖片（二維），則最左只有一片代表一個feature map，對應的卷積核（也是二維）
------------------------------------------------
------------------------------------------------
其它層：層與層之間會有若干個卷積核（kernel）（也稱為過濾器），
(卷積核深度與初始圖片的通道數一致）
上一層所有feature map 對應的 跟某個卷積核的所有層做卷積，結果相加（或者再加上偏置），都會產生下一層的一個feature map，有N個卷積核，下層就會產生N個feather map。
即：輸入圖片不論通道數是1（灰色）還是3（彩色）or其他值，經過卷積核處理后，都會統一拍平成深度為1的feature map。
有幾個卷積核就生成幾個feature map，與輸入圖片的通道數無關。
多個feature map的作用是什么？
在卷積神經網絡中，我們希望用一個網絡模擬視覺通路的特性，分層的概念是自底向上構造簡單到復雜的神經元。樓主關心的是同一層，那就說說同一層。
我們希望構造一組基，這組基能夠形成對於一個事物完備的描述，例如描述一個人時我們通過描述身高/體重/相貌等，在卷積網中也是如此。在同一層，我們希望得到對於一張圖片多種角度的描述，具體來講就是用多種不同的卷積核對圖像進行卷，得到不同核（這里的核可以理解為描述）上的響應，作為圖像的特征。他們的聯系在於形成圖像在同一層次不同基上的描述。
下層的核主要是一些簡單的邊緣檢測器（也可以理解為生理學上的simple cell）。
上層的核主要是一些簡單核的疊加（或者用其他詞更貼切），可以理解為complex cell。
多少個Feature Map？
真的不好說，簡單問題少，復雜問題多，但是自底向上一般是核的數量在逐漸變多（當然也有例外，如Alexnet），主要靠經驗。
卷積核的理解
不懂的可以參考下面的博客
https://blog.csdn.net/cheneykl/article/details/79740810
卷積核（過濾器）個數的理解
我的前一篇博客中有寫相關內容https://www.cnblogs.com/yh-blog/p/10052543.html
第L-1層:
輸入圖形通道數=輸入圖像的層數=過濾器層數（三維坐標空間上是y方向）
L層：
輸出圖像通道數=過濾器個數=第L+1層輸入圖像層數...（不管輸入和過濾層多少層，圖像輸入與每個過濾器卷積過后都是一層矩陣，影響輸出層數的只有過濾器的個數）
如下圖紅線所示：
該層卷積核的個數，有多少個卷積核，經過卷積就會產生多少個feature map，也就是下圖中 `豆腐皮兒`的層數、同時也是下圖`豆腐塊`的深度（寬度）！！
這個寬度可以手動指定，一般網絡越深的地方這個值越大，因為隨着網絡的加深，feature map的長寬尺寸縮小，本卷積層的每個map提取的特征越具有代表性（精華部分），所以后一層卷積層需要增加feature map的數量，才能更充分的提取出前一層的特征，一般是成倍增加（不過具體論文會根據實驗情況具體設置）！
參考博文：https://blog.csdn.net/csw19970124/article/details/83376842