[CNN] 卷积神经网络中feature map和卷积核个数的概念解释

feature map（下图红线标出） 即：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）！

PS:关于多层网络卷积核的channel问题：

       如果上一层输出64个featuremap ，下一层的filter 的channel 就会变为64（必须这样），一个filter做卷积的话将会在64个featuremap组成的64channel上做，如果有128个filter，将再次生成128个featuremap，而不是128*64：
       也就是在多层卷积网络中：下一层的filter的channel数= 上一层的featuremap数（kernel数量），如果不相等就没办法继续做卷积了。我们知道随着网络的加深，filter卷积核（是三维的：长、宽、深channel，不算batch）将会越来越深，或者说这个卷积核越来越细长，观察下图，也就直观上能够理解，为什么越深网络基本上卷积核数量会设置的越大，因为这么细长的卷积核做一次卷积才生成一个很小的featuremap ，是无法提取出足够的特征的
 代码：

以tensorflow的 API 为例：

tf.nn.conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    dilations=[1, 1, 1, 1],
    name=None
)

filter的维度为：[filter_height, filter_width, in_channels, out_channels]，out_channels即为featuremap数量

 第一层、二层卷积核分别为W1,W2，则：

  # W1 : [4, 4, 3, 8]
  # W2 : [2, 2, 8, 16]  其中W2[2] = W1[3]