CNN中featuremap、卷积核、卷积核个数、filter、channel的
概念解释，。。。
feature map、卷积核、卷积核个数、filter、channel的概念解释
feather map的理解
在cnn的每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个⼆维图⽚叠在⼀起（像⾖腐⽪⼀样），其中每⼀个称为⼀
个feature map。
feather map 是怎么⽣成的？
输⼊层：在输⼊层，如果是灰度图⽚，那就只有⼀个feature map；如果是彩⾊图⽚，⼀般就是3个feature map（红绿蓝）。
其它层：层与层之间会有若⼲个卷积核（kernel）（也称为过滤器），上⼀层每个feature map跟每个卷积核做卷积，都会产⽣下⼀层的⼀个feature map，有N个卷积核，下层就会产⽣N个feather map。绕口令英语
摄氏度英文
多个feather map的作⽤是什么？
在卷积神经⽹络中，我们希望⽤⼀个⽹络模拟视觉通路的特性，分层的概念是⾃底向上构造简单到复杂的神经元。楼主关⼼的是同⼀层，那就说说同⼀层。
我们希望构造⼀组基，这组基能够形成对于⼀个事物完备的描述，例如描述⼀个⼈时我们通过描述⾝⾼/体重/相貌等，在卷积⽹中也是如此。在同⼀层，我们希望得到对于⼀张图⽚多种⾓度的描述，具体来讲就是⽤多种不同的卷积核对图像进⾏卷，得到不同核（这⾥的核可以理解为描述）上的响应，作为图像的特征。他们的联系在于形成图像在同⼀层次不同基上的描述。
下层的核主要是⼀些简单的边缘检测器（也可以理解为⽣理学上的simple cell）。
上层的核主要是⼀些简单核的叠加（或者⽤其他词更贴切），可以理解为complex cell。补课机构
多少个Feature Map？真的不好说，简单问题少，复杂问题多，但是⾃底向上⼀般是核的数量在逐渐变多（当然也有例外，如Alexnet），主要靠经验。
卷积核的理解
5801
卷积核在有的⽂档⾥也称为过滤器（filter）：
每个卷积核具有长宽深三个维度；
在某个卷积层中，可以有多个卷积核：下⼀层需要多少个feather map，本层就需要多少个卷积核。
卷积核的形状
每个卷积核具有长、宽、深三个维度。在CNN的⼀个卷积层中：
卷积核的长、宽都是⼈为指定的，长X宽也被称为卷积核的尺⼨，常⽤的尺⼨为3X3，5X5等；
hors的音标卷积核的深度与当前图像的深度（feather map的张数）相同，所以指定卷积核时，只需指定其长和宽 两个参数。例如，在原始图像层 （输⼊层），如果图像是灰度图像，其feather map数量为1，则卷积核的深度也就是1；如果图像是grb图像，其feather map数量为3，则卷积核的深度也就是3.
卷积核个数的理解
如下图红线所⽰：该层卷积核的个数，有多少个卷积核，经过卷积就会产⽣多少个feature map，也就是下图中 `⾖腐⽪⼉`的层数、同时也是下图`⾖腐块`的深度（宽度）！！这个宽度可以⼿动指定，⼀般⽹络越深的地⽅这个值越⼤，因为随着⽹络的加深，feature map的长宽尺⼨缩⼩，本卷积层的每个map提取的特征越具有代表性（精华部分），所以后⼀层卷积层需要增加feature map的数量，才能更充分的提取出前⼀层的特征，⼀般是成倍增加（不过具体论⽂会根据实验情况具体设置）！
会计凭证保管期限卷积核的运算过程
例如输⼊224x224x3（rgb三通道），输出是32位深度，卷积核尺⼨为5x5。
那么我们需要32个卷积核，每⼀个的尺⼨为5x5x3（最后的3就是原图的rgb位深3），每⼀个卷积核的每⼀层是5x5（共3层）分别与原图的每层224x224卷积，然后将得到的三张新图叠加（算术求和），变成⼀张新的feature map。 每⼀个卷积核都这样操作，就可以得到32张新的feature map了。 也就是说：
不管输⼊图像的深度为多少，经过⼀个卷积核（filter），最后都通过下⾯的公式变成⼀个深度为1的特征图。不同的filter可以卷积得到不同的特征，也就是得到不同的feature map。。。
filter的理解
filter有两种理解：
在有的⽂档中，⼀个filter等同于⼀个卷积核：只是指定了卷积核的长宽深；
⽽有的情况（例如tensorflow等框架中，filter参数通常指定了卷积核的长、宽、深、个数四个参数），filter包含了卷积核形状和卷积核数量的概念：即filter既指定了卷积核的长宽深，也指定了卷积核的数量。
理解tensorflow等框架中的参数 channel（feather map、卷积核数量）
在深度学习的算法学习中，都会提到 channels 这个概念。在⼀般的深度学习框架的 conv2d 中，如
、，channels 都是必填的⼀个参数。channels 该如何理解？先看⼀看不同框架中的解释⽂档。
⾸先，是 中给出的，对于输⼊样本中 channels 的含义。⼀般的RGB图⽚，channels 数量是 3 （红、绿、蓝）；⽽monochrome图
⽚，channels 数量是 1 。
channels : Number of color channels in the example images. For color images, the number of channels is 3 (red, green, blue). For monochrome images, there is just 1 channel (black). ——
其次， 中提到的，⼀般 channels 的含义是，每个卷积层中卷积核的数量。
channels (int) : The dimensionality of the output space, i.e. the number of output channels (filters) in the convolution.
——
为了更直观的理解，下⾯举个例⼦，图⽚使⽤⾃ 。
如下图，假设现有⼀个为 6×6×36×6×3 的图⽚样本，使⽤ 3×3×33×3×3 的卷积核（filter）进⾏卷积操作。此时输⼊图⽚
的 channels 为 33 ，⽽卷积核中的 in_channels 与 需要进⾏卷积操作的数据的 channels ⼀致（这⾥就是图⽚样本，为3）。
刘美麟翻唱
接下来，进⾏卷积操作，卷积核中的27个数字与分别与样本对应相乘后，再进⾏求和，得到第⼀个结果。依次进⾏，最终得到 4×4 的结果。
上⾯步骤完成后，由于只有⼀个卷积核，所以最终得到的结果为 4×4×1 ， out_channels 为 1 。骂人的英文
在实际应⽤中，都会使⽤多个卷积核。这⾥如果再加⼀个卷积核，就会得到 4×4×2 的结果。
总结⼀下，我偏好把上⾯提到的 channels 分为三种：
1. 最初输⼊的图⽚样本的 channels ，取决于图⽚类型，⽐如RGB；
2. 卷积核中的 in_channels ，就是要操作的图像数据的feather map张数，也就是卷积核的深度。（刚刚2中已经说了，就是上⼀次卷
积的 out_channels ，如果是第⼀次做卷积，就是1中样本图⽚的 channels） ；
3. 卷积操作完成后输出的 out_channels ，取决于卷积核的数量（下层将产⽣的feather map数量）。此时的 out_channels 也会作为下proceeding
⼀次卷积时的卷积核的 in_channels。
说到这⾥，相信已经把 channels 讲的很清楚了。在CNN中，想搞清楚每⼀层的传递关系，主要就是 height,width 的变化情况，purpoful
和 channels 的变化情况。
最后再看看 中 v2d 的 input 和 filter 这两个参数。
input : [batch, in_height, in_width, in_channels] ，
filter : [filter_height, filter_width, in_channels, out_channels（卷积核的数量/下层将产⽣的feather map数量）] 。
⾥⾯的含义是不是很清楚了？
CNN的学习过程：更新卷积核的值（更新提取的图像特征）
因为卷积核实际上就是如3x3，5x5这样⼦的权值（weights）矩阵。我们的⽹络要学习的，或者说要确定下来的，就是这些权值（weights）的数值。⽹络不断前后向的计算学习，⼀直在更新出合适的weights，也就是⼀直在更新卷积核们。卷积核在更新了，学习到的特征也就被更新了（因为卷积核的值（weights）变了，与上⼀层的map卷积计算的结果也就变了，得到的新map就也变了。）。对分类问题⽽⾔，⽬的就是：对图像提取特征，再以合适的特征来判断它所属的类别。类似这种概念：你有哪些个⼦的特征，我就根据这些特征，把你划分到某个类别去。
这样就很说的通了，卷积神经⽹络的⼀整套流程就是：更新卷积核参数（weights），就相当于是⼀直在更新所提取到的图像特征，以得到可以把图像正确分类的最合适的特征们。（⼀句话：更新weights以得到可以把图像正确分类的特征。）
