卷积神经网络及其特征图可视化

参考链接：https://www.jianshu.com/p/362b637e2242

参考链接：https://blog.csdn.net/dcrmg/article/details/81255498/

参考链接：https://zhuanlan.zhihu.com/p/59917842

参考链接：https://www.jb51.net/article/171016.htm

一、卷积与特征图

一个简单的深度网络模型，主要是：

input -> conv -> feature_map -> maxpooling -> flatten -> fully connected -> output

CNN：卷积层、池化层、连接层

1. 卷积层

       卷积层由一组卷积单元（又称"卷积核"）组成，可以把这些卷积单元理解为过滤器，每个过滤器都会提取一种特定的特征。           输入图像是32*32*3，3是它的深度（即R、G、B三色通道），卷积层是一个5*5*3的filter，这里注意：filter的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图，如果用了两个filter得到了两个特征图。

举个例子，input、filter、output依次是

输入是一个4*4 的image，经过两个2*2的卷积核进行卷积运算后，变成两个3*3的feature_map。 

最简单的方式计算就是：

（4-2+1）×（4-2+1）=3×3

接下来，我们了解一下中间转换的过程，以上图卷积核filter1为例，filter1在图片滑过，步长为1(stride = 1)：

input、filter、output如下图所示

计算第一个卷积层神经元o11的输入:　

neto11=conv(input,filter)=i11×h11+i12×h12+i21×h21+i22×h22=1×1+0×(−1)+1×1+1×(−1)=1

神经元o11的输出:(此处使用Relu激活函数)

outo11=activators(neto11)=max(0, neto11)=1

而对于这个问题，最终转换后的特征图为：

以filter1为例

这样表示不太准确，但大体就是这样计算的。

了解整个过程：

参考这个动图：来源于https://blog.csdn.net/silence1214/article/details/11809947

2.  池化层（下采样层、Down-pooling）

参考链接：https://blog.csdn.net/weixin_38208741/article/details/78818882

参考链接：https://blog.csdn.net/weixin_39568744/article/details/82250663?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-t