理解CNN中的特征图feature map

理解CNN中的特征图feature map

先来说说CNN的过滤器是什么？

  过滤器也叫卷积核（kernel），它们通常都是固定大小的宫格：$3\times 3$、$5\times 5$、$7\times 7$。这些过滤器决定了模型关注图像的那些像素部分。

  以Resnet-50卷积神经网络的$7\times 7$滤波器为例，滤波器是长这样的

feature map:

  一张图片，通常有RGB三个通道，通过卷积核进行卷积运算，便会产生一层层的特征图(feature map)。层与层之间会有若干个卷积核（kernel），上一层的每个特征图跟每个卷积核做卷积，就会产生下一层的一个特征图。也就是说当图像像素值经过卷积核后的到的东西就是特征图。

  我们用上面$7\times 7$的卷积核对图片进行卷积一下，得到：

  通常，经过多少个卷积核过滤就会产生多少个特征图，也就是下图中的“豆腐皮儿”层数，同时也是该层的深度。网络越深意味着这一层的特征图数目就越多，随着网络的加深，特征图的长宽尺寸缩小，本卷积层的每个特征图提取的特征就越具代表性，所以通常后一层卷积层需要增加特征图的数量，也就是说用更多的卷积核进行卷积操作，才能充分地提取前一层的特征。

参考：
理解卷积神经网络CNN中的特征图 feature map
卷积神经网络CNN/Pytorch，如何理解特征图Feature map?