参考july 7月
CNN的卷积核是单层的还是多层的？
一般来说，深度卷积网络是一层又一层的。层的本质是特征图，存储输入数据或其中间表示值。一组卷积核则是联系前后两层的网络参数表达体，训练的目标就是每个卷积核的权重参数组。
描述网络模型中某层的厚度，通道数channel或者特征图feature map。不过人们更习惯把作为数据输入的前层的厚度成为通道数（如RGB通道数为3），把作为卷积输出的后层的厚度称为特图数。
卷积核（filter）一般是3D多层，除了面积参数，如33之外，还有厚度参数H（2D的视为厚度1）.还有一个属性是卷积核的个数N。
卷积核的厚度H，一般等于前层厚度M（输入通道数或feature map数）。特殊情况M>H。卷积核的个数N，一般等于后层厚度（后层feature maps数，因为相等所以也用N表示）。卷积核同城从属于后层，为后层提供了各种查看前层特征的视角，这个视角是自动形成的。卷积核厚度等于1时为2D卷积，对应平面点相乘然后把结果加起来，相当于点积运算；卷积核厚度大于1时为3D卷积，每片分别平面点求卷积，然后把每片结果加起来，作为3D卷积结果；11卷积属于3D卷积的一个特例，有厚度无面积，直接把每片单个点乘以权重再相加。
归纳之，卷积的意思就是把一个区域，不管是一维线段，二维方阵，还是三维长方块，全部按照卷积核的维度形状，对应逐点相乘再求和，浓缩成一个标量值也就是降到零维度，作为下一层的一个feature map的一个点的值！
可以比喻为一群渔夫坐一个渔船撒网打鱼，鱼塘是多层水域，每层鱼儿不同。
船每次移位一个stride到一个地方，每个渔夫撒上一网，得到收获，然后换一个距离stride再撒，如此重复直到遍历鱼塘。
A渔夫盯着鱼的品种，遍历鱼塘后该渔夫绘制了鱼塘的鱼品种分布；
B渔夫盯着鱼的重量，遍历鱼塘后该渔夫绘制了鱼塘的鱼重量分布；
还有N-2个渔夫，各自兴趣各干各的；
最后得到N-2个特征图，描述了鱼塘的一切！
2D卷积表示渔夫的网就是带一圈浮标的渔网，只打上面一层水体的鱼
3D卷积表示渔夫的网是多层嵌套的渔网，上中下层水体的鱼儿都跑不掉；
1*1卷积可以视为每次移位stride，甩钩钓鱼代替了撒网；
下面是M>H特殊情况的说明：实际上，除了输入数据的通道数比较少之外，中间层的feature map数很多，这种中间层计算卷积会累死计算机（鱼塘太深，每层鱼都打，需要的渔网太重）。所以很多深度卷积网络把全部通道/特征图划分一下，每个卷积核只看其中一部分（渔夫A的渔网只打捞深水段，渔夫B的渔网只打捞浅水段）。这样整个网络架构是横向开始分道扬镳，到最后又融合。这样看来，很多网络模型的架构不完全是突发奇想，而是被参数计算量所逼。特别是现在需要在移动设备上及进行AI应用计算（也叫推断），模型参数规模必须小，所以出现很多较少握手规模的卷积形式，现在主流网络架构大都如此。
什么是卷积
对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的卷积操作。
图中左边是原始输入数据，中间是滤波器，右边是输出的新的二维数据。
什么是池化层
简言之，取区域平均或最大
