在卷积神经网络（CNN）中，每个卷积层的数据以三维形式存在，构成多个feature map。feature map的生成基于输入数据的特征，如RGB图片会有3个feature map。每个feature map对应一个卷积核，网络模型指定卷积核数量。多个feature map从不同角度捕捉图像特征，下层捕获局部特征，上层捕获更复杂的特征。尽管卷积核数量的科学推算尚未成熟，但通常随着网络深度增加，卷积核数量增多。
Feature map的理解
在cnn的每个卷积层，数据都是以三维的形式存在的。因此就可以将其看成是许多个二维的面叠在一起，而其中的每一个面，都称作一个feature map。
例如上图中的A0层，数据可以表示为一个8*8*3的三维矩阵，也可以看作是3个8*8的二维矩阵叠在一起，即feature map是3。
Feature map的生成
以图片为对象的输入层为例，如果是一张黑白图片，即每一个像素点都只有灰度一个指标，那就可以看成只有一个feature map，如果是彩色图片，即每个像素都需要使用RGB三个通道的亮度值来表示颜色，则可以看成具有3个feature map。
上图即输入一个6*6像素的彩色RGB图片，数据规模是6*6*3，feature map是3，分别做两次3*3的卷积操作。输入层和卷积层之间会有若干个卷积核(filters)也称为过滤器。
上层的每个feature map跟一个卷积核做卷积操作，都会在下层产生一个feature map。
由此可得，有N个卷积核，下层就会产生N个feature map。在上图中，下层有3个feature map，因此卷积核(filters)的数量就是3。
在深度学习中，卷积核(filters)的数量是由网络模型指定的，确定好一个合适的filters对于模型正确提取和表达特征至关重要。
多个feature map的作用
多个feature map即上段的多个卷积核(filters)。在卷积神
最低0.47元/天 解锁文章
2209
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
