卷积神经网络中的 feature map 简单理解

一、关于 feature 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（像豆腐皮竖直的贴成豆腐块一样），其中每一个称为一个feature map

二、feature 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（RGB），一般就是3个 feature map（红绿蓝）

下图中三大部分依次是输入 RGB 图片,卷积核（也称过滤器），卷积结果（输出），* 代表卷积操作，最左部分三片代表3个feature map

如果是灰色图片（二维），则最左只有一片代表一个feature map，对应的卷积核（过滤器也是二维）

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

三、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。
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。