kernel和filter在CNN中的区别以及卷积核与卷积层的关系

1. kernel和filter这两个概念在CNN中的区别
   根据参考文献可知
   keras中，
   当channels=1时，那么filter就是kernel
   当channels>1时，那么filter就是指一堆kernel
   其中channels表示卷积核的数量，一般为2的指数次方
   So this is where a key distinction between terms comes in handy: whereas in the 1 channel case, where the term filter and kernel are interchangeable, in the general case,they’re actually pretty different.
   Each filter actually happens to be a collection of kernels, with there being one kernel for every single input channel to the layer, and each kernel being unique.

2. 卷积核与卷积层的关系（如图）

上图表示：channels=16，表示这一层有16个卷积核，一个卷积核为7x7的矩阵。

3. 神经网络怎么处理图片呢？
   一张图片如果是RGB形式，一个张量存放：R矩阵和G矩阵和B矩阵，然后每种矩阵都与其中一个卷积核进行卷积运算，以此类推，遍历所有的卷积核.

4. 复习下张量：
   一个矩阵是一个2D张量，也就是一个数组，数组里面的每个元素是一个向量
   一堆矩阵是一个3D张量，也就是一个数组，数组里面的每个元素是一个矩阵

5. 参考文献:
   [1]https://stackoverflow.com/questions/47240348/what-is-the-meaning-of-the-none-in-model-summary-of-keras
   [2]https://towardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f42faee1