CNN中的feature map

 

我的學習CNN的一些筆記，比較基礎，整合了其餘博客的內容

 

feature map的理解
在cnn的每一個卷積層，數據都是以三維形式存在的。你能夠把它當作許多個二維圖片疊在一塊兒（像豆腐皮豎直的貼成豆腐塊同樣），其中每個稱爲一個feature map。

feature map 是怎麼生成的？
輸入層：在輸入層，若是是灰度圖片，那就只有一個feature map；若是是彩色圖片（RGB），通常就是3個feature map（紅綠藍）

[ 下圖中三大部分依次是輸入RGB圖片,卷積核（也稱過濾器），卷積結果（輸出），* 表明卷積操做，最左部分三片表明3個feature map; 

若是是灰色圖片（二維），則最左只有一片表明一個feature map，對應的卷積核（過濾器也是二維）]

其它層：層與層之間會有若干個卷積核（kernel）（也稱爲過濾器），

上一層每一個feature map跟每一個卷積核作卷積，都會產生下一層的一個feature map，有N個卷積核，下層就會產生N個feather map。

多個feather map的做用是什麼？

在卷積神經網絡中，咱們但願用一個網絡模擬視覺通路的特性，分層的概念是自底向上構造簡單到複雜的神經元。樓主關心的是同一層，那就說說同一層。
咱們但願構造一組基，這組基可以造成對於一個事物完備的描述，例如描述一我的時咱們經過描述身高/體重/相貌等，在卷積網中也是如此。在同一層，咱們但願獲得對於一張圖片多種角度的描述，具體來說就是用多種不一樣的卷積覈對圖像進行卷，獲得不一樣核（這裏的核能夠理解爲描述）上的響應，做爲圖像的特徵。他們的聯繫在於造成圖像在同一層次不一樣基上的描述。

下層的核主要是一些簡單的邊緣檢測器（也能夠理解爲生理學上的simple cell）。

上層的核主要是一些簡單核的疊加（或者用其餘詞更貼切），能夠理解爲complex cell。

 

多少個Feature Map？真的很差說，簡單問題少，複雜問題多，可是自底向上通常是核的數量在逐漸變多（固然也有例外，如Alexnet），主要靠經驗。

 

卷積核的理解

不懂的能夠參考下面的博客

https://blog.csdn.net/cheneykl/article/details/79740810

卷積核（過濾器）個數的理解

個人前一篇博客中有寫相關內容http://www.javashuo.com/article/p-smzsxmps-bc.html

第L-1層:輸入圖形通道數=輸入圖像的層數=過濾器層數（三維座標空間上是y方向）
L層：輸出圖像通道數=過濾器個數=第L+1層輸入圖像層數...（無論輸入和過濾層多少層，圖像輸入與每一個過濾器卷積事後都是一層矩陣，影響輸出層數的只有過濾器的個數）

以下圖紅線所示：該層卷積核的個數，有多少個卷積核，通過卷積就會產生多少個feature map，也就是下圖中 `豆腐皮兒`的層數、同時也是下圖`豆腐塊`的深度（寬度）！！

這個寬度能夠手動指定，通常網絡越深的地方這個值越大，由於隨着網絡的加深，feature map的長寬尺寸縮小，本卷積層的每一個map提取的特徵越具備表明性（精華部分），因此後一層卷積層須要增長feature map的數量，才能更充分的提取出前一層的特徵，通常是成倍增長（不過具體論文會根據實驗狀況具體設置）！

 

 

參考博文：https://blog.csdn.net/csw19970124/article/details/83376842