CNN中feature map、卷积核、卷积核的个数、filter、channel的概念解释

参考链接： https://blog.csdn.net/xys430381_1/article/details/82529397
作者写的很好，解决了很多基础问题。

feather map理解

这个是输入经过卷积操作后输出的结果，一般都是二维的多张图片，在论文图上都是以是多张二维图片排列在一起的（像个豆腐皮一样），它们其中的每一个都被称为\(feature \quad map\)

feather map 是怎么产生的

有几个卷积核就会产生几个\(feather \quad map\)。输入数据经过卷积操作输出\(feather \quad map\)，从名字也可以知道（翻译就是特征图）这个是经过卷积核提取后得到的特征。

多个\(feather \quad map\)就意味着我们提取了多个特征值，这样或许就可以更加准确地识别数据。

卷积核的理解

卷积核又名过滤器(\(filter\))。
每个卷积核有三个属性：长宽深，这里一般深度不需要自己定义，深度是和输入的数据深度相同；
有多少个卷积核就有多少个\(feather \quad map\)；

例如在\(pytorch.nn.Conv2d()\)函数中：

torch.nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2)
#二维卷积层，输入通道数1，输出通道数16(相当于有16个filter，也就是16个卷积核)，卷积核大小为5*5*1(因为输入的通道数为1，所以这里卷积核的深度也就自动设置为1了），步长为1，零填充2圈
#经过计算，可以得到卷积输出的图像的大小和输入的图像大小是等大小的，但是深度不一样，为28*28*16（16为深度），因为这里的padding抵消了卷积的缩小

卷积核的个数：看到很多文章，一般都说随着网络的加深，\(feather\quad map\)的长宽尺寸会变小，也就是卷积提取的特征越具有代表性，所以后面的卷积层数需要增加，所以卷积核的个数也是要增加的，一般是成倍增加（有的会更根据实验的情况来具体设置）。下面的图示很好的说明了这个：(中间的就是卷积核，这是一个三维的卷积核，是一个，所以输出为一个\(feather \quad map\))

CNN学习过程：更新卷积核的值（也就是更新卷积核中的数值）

开始的卷积核的值是随机的，之后每次的向后计算的过程中会得出这个图像的类别，当然这个第一次的结果大部分都是不准确的，之后经过\(loss\quad function\)的作用，CNN会更新这些卷积核中的值，然后再来一次学习。这样经过多次的学习，CNN就会找到卷积核的最佳参数，使得提取的特征能准确区分这些图片，这样也就完成了CNN的学习过程。