卷积神经网络、卷积核weights、位深转变 的理解

关于这个深度的概念，caffe里是feature map张数，tensorflow是卷积核深度。。两者是同样的概念。。。

另外再说详细点：

如果是输入224x224x3（rgb三通道），输出是32位深度，卷积核尺寸为5x5。则是有32个filter，每一个的尺寸为5x5x3（最后的3就是原图的rgb位深3），每一个filter的每一层是5x5（共3层啊）分别与原图的每层224x224卷积，然后将得到的三张新图叠加，变成一张新的feature map。 每一个filter都这样操作，就可以得到32张新的feature map了。  也就是说：

不管输入图像的深度为多少，经过一个Filter，最后都通过下面的公式变成一个深度为1的特征图。不同的filter可以卷积得到不同的特征，也就是得到不同的feature map。。。

看个gif就更形象了：http://upload-images.jianshu.io/upload_images/2256672-958f31b01695b085.gif

（转载来的啊这个链接。。。）

再啰嗦点说说我的理解：

除去第一层的3通道输入，其他层也是一样，如32进，64出也是一样。卷积层的每一个卷积核做的都是一样的操作：将上一层的32张feature map压缩成一张新的feature map：每一个卷积核都是32通道的，与上一通道的 feature map 一一对应通道的进行卷积操作，然后再32张计算结果叠加为一张新map。有64个卷积核，64次这样的操作，得到64张新的feature map。每一个卷积核学习不同的特征得到不同的 feature map（因为不同卷积核的权值weights是不一样的，计算结果也就不一样，得到的map也自然不同。）

因为卷积核实际上就是如3x3，5x5这样子的权值（weights）矩阵。我们的网络要学习的，或者说要确定下来的，就是这些权值（weights）的数值。网络不断前后向的计算学习，一直在更新出合适的weights，也就是一直在更新卷积核们。卷积核在更新了，学习到的特征也就被更新了（因为卷积核的值（weights）变了，与上一层的map卷积计算的结果也就变了，得到的新map就也变了。）。对分类问题而言，目的就是：对图像提取特征，再以合适的特征来判断它所属的类别。类似这种概念：你有哪些个子的特征，我就根据这些特征，把你划分到某个类别去。这样就很说的通了，卷积神经网络的一整套流程就理得清：更新卷积核参数（weights），就相当于是一直在更新所提取到的图像特征，以得到可以把图像正确分类的最合适的特征们。（一句话：更新weights以得到可以把图像正确分类的特征。）