CNN中feature map、卷積核、卷積核的個數、filter、channel的概念解釋

參考鏈接： https://blog.csdn.net/xys430381_1/article/details/82529397
作者寫的很好，解決了很多基礎問題。

feather map理解

這個是輸入經過卷積操作后輸出的結果，一般都是二維的多張圖片，在論文圖上都是以是多張二維圖片排列在一起的（像個豆腐皮一樣），它們其中的每一個都被稱為\(feature \quad map\)

feather map 是怎么產生的

有幾個卷積核就會產生幾個\(feather \quad map\)。輸入數據經過卷積操作輸出\(feather \quad map\)，從名字也可以知道（翻譯就是特征圖）這個是經過卷積核提取后得到的特征。

多個\(feather \quad map\)就意味着我們提取了多個特征值，這樣或許就可以更加准確地識別數據。

卷積核的理解

卷積核又名過濾器(\(filter\))。
每個卷積核有三個屬性：長寬深，這里一般深度不需要自己定義，深度是和輸入的數據深度相同；
有多少個卷積核就有多少個\(feather \quad map\)；

例如在\(pytorch.nn.Conv2d()\)函數中：

torch.nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2)
#二維卷積層，輸入通道數1，輸出通道數16(相當於有16個filter，也就是16個卷積核)，卷積核大小為5*5*1(因為輸入的通道數為1，所以這里卷積核的深度也就自動設置為1了），步長為1，零填充2圈
#經過計算，可以得到卷積輸出的圖像的大小和輸入的圖像大小是等大小的，但是深度不一樣，為28*28*16（16為深度），因為這里的padding抵消了卷積的縮小

卷積核的個數：看到很多文章，一般都說隨着網絡的加深，\(feather\quad map\)的長寬尺寸會變小，也就是卷積提取的特征越具有代表性，所以后面的卷積層數需要增加，所以卷積核的個數也是要增加的，一般是成倍增加（有的會更根據實驗的情況來具體設置）。下面的圖示很好的說明了這個：(中間的就是卷積核，這是一個三維的卷積核，是一個，所以輸出為一個\(feather \quad map\))

CNN學習過程：更新卷積核的值（也就是更新卷積核中的數值）

開始的卷積核的值是隨機的，之后每次的向后計算的過程中會得出這個圖像的類別，當然這個第一次的結果大部分都是不准確的，之后經過\(loss\quad function\)的作用，CNN會更新這些卷積核中的值，然后再來一次學習。這樣經過多次的學習，CNN就會找到卷積核的最佳參數，使得提取的特征能准確區分這些圖片，這樣也就完成了CNN的學習過程。