关于feature map, 神经元个数，可训练参数个数， 卷积核大小 的一些总结

参考这个文章的部分笔记和理解：

http://blog.csdn.net/dcxhun3/article/details/46878999

输入input： 32 x 32 的图像
使用:    6个 5x5  stride为 1的卷积核

神经元 个数： （32－5+1） * （32 －5 ＋1） ＝ 28 ＊ 28 个。也就是每一个feature map的大小就是28 * 28 。  

其中，32-5是卷积核可以滑过并得到一次计算结果的次数（因为步幅是1），+1是卷积核放在最开始的位置上还没开始滑动时的一次计算结果。
那么这一层一共有 （5*5 ＋1）*6个可训练参数，其中5*5为卷积核的大小，1为一个bias参数， 6为6种卷积核。
注意如果是三通道，三个通道的权重并不共享。 所以对于以上的计算，三通道的参数数量应该还要乘以3。

个人总结的 feature map 和 神经元的关系 及其他概念的关系 :

feature map 和 神经元的关系：

单个卷积核情况下：
 神经元是 前一层wx+b 到下一层的计算过程，所谓这一层的连接数，也就是有多少个 wx+b的连接（一个卷积核有多个w只有一个bias）
 一个feature map 是多个（比如M个）神经元计算的结果汇总

多个卷积核情况下：

同一层可以有多个（比如N个）卷积核，每个卷积核对应（卷积的结果是）一个feature map ，也就是这一层有N个feature map， 那这一层共有 N*M个神经元。（如果每个fm的神经元个数不一样，则累加每个fm的神经元个数）

可训练参数个数， 与神经元的个数无关，只与卷积核的大小及卷积核的个数相关，还有通道数

神经元个数，       除了卷积核大小和个数，还与步幅相关。步幅越大，神经元个数越小

feature map的每个点都是一个神经元的输出。所以 神经元个数 = 特征图大小
连接个数= sigma(单个卷积核参数个数*神经元个数)  （单个卷积核会用同样的卷积核参数，每多滑动一下，多生成参数个连接）

CNN权值共享就是同一个Feature Map中神经元权值共享，该Feature Map中的所有神经元使用同一个权值。这与全连接相比，参数减少太多了（整个图像的矩阵大小到卷积核的矩阵大小）