卷积神经网络 feature map是指什么
作者&投稿：都垄 （若有异议请与网页底部的电邮联系）
尝试结合神经科学对第一个问题简单说说自己的理解，轻黑。
在CNN的设定里，Feature Map是卷积核卷出来的，而不同的特征提取（核）会提取不同的feature，模型想要达成的目的是解一个最优化，来找到能解释现象的最佳的一组卷积核。例如某个核如果形似gabor算子，就会提取出边缘信息的feature，但这个特征too simple，很可能不是模型需要的特征。这与人脑神经网络（暂且这么叫吧）的功能是很相似的，
比如gabor算子模拟了V1具有方向选择性的神经元，这些神经元被称为simple cell，只能对orientation做出响应，人脑依靠这些神经元检测出图像的边缘信息。但simple cell的功能也仅此而已，人脑若要完成一些更高级的功能（visual attention, object recognition），就需要更复杂的神经元，
例如complex cell和hypercomplex cell，它们能对信号做一些更复杂的变换，而恰恰神经科学的证据表明，它们“很可能”是由V1的多个simple cell的输出信号组合而成的，比如V4的一些cell可能对angle做出响应等；考虑一个object recognition的任务，object自身具有不同的特征，不同的复杂的cell编码了其不同的特征，组合起来表达这样一种object。CNN的设定中的feature map也就对应了各层cell的信号输出。
要是神经网络的模型参数有直观的分析方法就好了，可惜具体的中间过程更像是黑箱，只能反复调试。
特征映射，是输入图像和卷积核卷积后生成的feature map，图像的特征。对于彩色图，RGB分别对应一个二维矩阵，每个矩阵经过3*3或者5*5的卷积核进行卷积运算之后，产生三个新的二维矩阵，就是feature map
本逸赛进： 卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现.[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)....
江洲区18548712489： 卷积神经网络为什么最后接一个全连接层 - ？
本逸赛进： 在常见的卷积神经网络的最后往往会出现一两层全连接层,全连接一般会把卷积输出的二维特征图(feature map)转化成(N*1)一维的一个向量 全连接的目的是什么呢?因为传统的端到到的卷积神经网络的输出都是分类(一般都是一个概率值...
江洲区18548712489： 什么是卷积神经网络?为什么它们很重要 - ？
本逸赛进： 卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现.[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer). ...
江洲区18548712489： 卷积神经网络每层提取的特征是什么样的 - ？
本逸赛进：[答案] 卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成.图:卷积神经网络的概念示范:输入图像通过和三个可训练的滤波器和可加偏置进行卷积,滤波过程如图一,卷积后在C1...
江洲区18548712489： 卷积神经网络为什么具有扭曲和旋转不变性 - ？
本逸赛进： 除非是做了数据增强,要不然卷积神经网络几乎不具有扭曲和旋转不变性 能稍微起点作用的max_polling,但是也只有小范围的扭曲和旋转不变性.
江洲区18548712489： 卷积神经网络怎么用于比较图片 - ？
本逸赛进： 卷积神经网络有以下几种应用可供研究: 1、基于卷积网络的形状识别 物体的形状是人的视觉系统分析和识别物体的基础,几何形状是物体的本质特征的表现,并具有平移、缩放和旋转不变等特点,所以在模式识别领域,对于形状的分析和识别...
江洲区18548712489： 如何将一个神经网络中的feature map输入到另一个网络 - ？
本逸赛进： 两种输入方式 把 特征分类结果 或 map特征分类的值 当做输入到另一个网络 望采纳
江洲区18548712489： 深度学习中的卷积层怎么做,有什么作用 - ？
本逸赛进： 那么可以两个设备同时并行.如果cpu也支持,前提是显卡需要支持opencl技术可以使用opencl编写gpu平台kernel代码并行加速计算量
