CNN相关要点介绍（一）——卷积核操作、feature map的含义以及数据是如何被输入到神经网络中

一、卷积核的定义

    下图显示了CNN中最重要的部分，这部分称之为卷积核(kernel)或过滤器(filter)或内核(kernel)。因为TensorFlow官方文档中将这个结构称之为过滤器(filter)，故在本文中将统称这个结构为过滤器。如下图1所示，过滤器可以将当前层网络上的一个子节点矩阵转化为下一层神经网络上的一个单位节点矩阵。单位节点矩阵指的是高和宽都是1，但深度（长）不限的节点矩阵。

                                               

                                                                   图1：卷积层过滤器(filter)结构示意图
 

二、feature map（特征映射）的含义

      在每个卷积层，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，其中每一个称为一个feature map。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，一般就是3个feature map（红绿蓝）。层与层之间会有若干个过滤器/卷积核（kernel），这个过滤器的尺寸大小（宽、高）和深度（长）是需要人工设定的，常用的过滤器尺寸有3*3或5*5。当前层中的所有feature map分别跟当前层和下一层间的每个卷积核做卷积求和后，都会产生下一层的一个feature map（这一句可能有点绕，但看完下面的例子后，相信你就能理解了）。通常有多少个卷积核，下一层就会生成多少个feature map，也就是下图3右边生成的`豆腐皮儿`的层数。

直接举例进行说明输出图片的长和宽。

输入照片为：32*32*3，

    这是用一个activation map与一