在网上查看大量关于卷积网络的文章时，所有对CNN操作的解释都归结为解释一个类似下面的方案。但是，没有人清楚地解释一层中的特征图是如何相互交互的（一张图是从它们以加权和的形式创建的，或者它们都沿着算法单独进行，并且将新层分别应用于每个地图) 以及如何证明数字特征图随着每个新层翻倍。如果有人能在同一级别解释特征图的交互方案，或者提供一个明确描述卷积神经网络这部分工作的文章的链接，我将不胜感激。
RError.com
在网上查看大量关于卷积网络的文章时，所有对CNN操作的解释都归结为解释一个类似下面的方案。但是，没有人清楚地解释一层中的特征图是如何相互交互的（一张图是从它们以加权和的形式创建的，或者它们都沿着算法单独进行，并且将新层分别应用于每个地图) 以及如何证明数字特征图随着每个新层翻倍。如果有人能在同一级别解释特征图的交互方案，或者提供一个明确描述卷积神经网络这部分工作的文章的链接，我将不胜感激。
据我了解，诀窍是如果我们在输入端有 2D 过滤器（或卷积核）（例如，10 个），那么在下一层我们已经使用 3D 过滤器，其维度对应于 k * k * n，其中k是当前层上filter的大小，n是从前一层得到的特征图的数量。因此，我们将获得能够正确、清晰地处理所有内容的 3D 过滤器。我还将回答问题的第二部分：增加特征图数量的秘诀恰恰在于我们只需将新层上的过滤器数量增加一倍，并以适当的维度取它们（如前所述）与没有出现在下一层的特征图数量没有冲突。