CNN中的feature map

 

我的学习CNN的一些笔记，比较基础，整合了其余博客的内容

 

feature map的理解
在cnn的每一个卷积层，数据都是以三维形式存在的。你能够把它当作许多个二维图片叠在一块儿（像豆腐皮竖直的贴成豆腐块同样），其中每个称为一个feature map。

feature map 是怎么生成的？
输入层：在输入层，若是是灰度图片，那就只有一个feature map；若是是彩色图片（RGB），通常就是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），* 表明卷积操做，最左部分三片表明3个feature map; 

若是是灰色图片（二维），则最左只有一片表明一个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），

上一层每一个feature map跟每一个卷积核作卷积，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。

多个feather map的做用是什么？

在卷积神经网络中，咱们但愿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。
咱们但愿构造一组基，这组基可以造成对于一个事物完备的描述，例如描述一我的时咱们经过描述身高/体重/相貌等，在卷积网中也是如此。在同一层，咱们但愿获得对于一张图片多种角度的描述，具体来说就是用多种不一样的卷积核对图像进行卷，获得不一样核（这里的核能够理解为描述）上的响应，做为图像的特征。他们的联系在于造成图像在同一层次不一样基上的描述。

下层的核主要是一些简单的边缘检测器（也能够理解为生理学上的simple cell）。

上层的核主要是一些简单核的叠加（或者用其余词更贴切），能够理解为complex cell。

 

多少个Feature Map？真的很差说，简单问题少，复杂问题多，可是自底向上通常是核的数量在逐渐变多（固然也有例外，如Alexnet），主要靠经验。

 

卷积核的理解

不懂的能够参考下面的博客

https://blog.csdn.net/cheneykl/article/details/79740810

卷积核（过滤器）个数的理解

个人前一篇博客中有写相关内容http://www.javashuo.com/article/p-smzsxmps-bc.html

第L-1层:输入图形通道数=输入图像的层数=过滤器层数（三维坐标空间上是y方向）
L层：输出图像通道数=过滤器个数=第L+1层输入图像层数...（无论输入和过滤层多少层，图像输入与每一个过滤器卷积事后都是一层矩阵，影响输出层数的只有过滤器的个数）

以下图红线所示：该层卷积核的个数，有多少个卷积核，通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）！！

这个宽度能够手动指定，通常网络越深的地方这个值越大，由于随着网络的加深，feature map的长宽尺寸缩小，本卷积层的每一个map提取的特征越具备表明性（精华部分），因此后一层卷积层须要增长feature map的数量，才能更充分的提取出前一层的特征，通常是成倍增长（不过具体论文会根据实验状况具体设置）！

 

 

参考博文：https://blog.csdn.net/csw19970124/article/details/83376842