1.CNN的卷積核是單層還是多層的

答：描述網路模型中某層的厚度，通常用名詞通道channel數或者特徵圖feature map數。不過人們更習慣把作為資料輸入的前層的厚度稱之為通道數（比如RGB三色圖層稱為輸入通道數為3），把作為卷積輸出的後層的厚度稱之為特徵圖數。

卷積核的厚度H, 一般等於前層厚度M(輸入通道數或feature map數). 特殊情況M > H。

卷積核的個數N, 一般等於後層厚度(後層feature maps數，因為相等所以也用N表示)。

卷積核通常從屬於後層，為後層提供了各種檢視前層特徵的視角，這個視角是自動形成的。

卷積核厚度等於1時為2D卷積，對應平面點相乘然後把結果加起來，相當於點積運算；

卷積核厚度大於1時為3D卷積，每片分別平面點求卷積，然後把每片結果加起來，作為3D卷積結果；

1x1卷積屬於3D卷積的一個特例，有厚度無面積, 直接把每片單個點乘以權重再相加。

歸納之，卷積的意思就是把一個區域，不管是一維線段，二維方陣，還是三維長方塊，全部按照卷積核的維度形狀，對應逐點相乘再求和，濃縮成一個標量值也就是降到零維度，作為下一層的一個feature map的一個點的值！ 可以比喻一群漁夫坐一個漁船撒網打魚，魚塘是多層水域，每層魚兒不同。 船每次移位一個stride到一個地方，每個漁夫撒一網，得到收穫，然後換一個距離stride再撒，如此重複直到遍歷魚塘。 A漁夫盯著魚的品種，遍歷魚塘後該漁夫描繪了魚塘的魚品種分佈； B漁夫盯著魚的重量，遍歷魚塘後該漁夫描繪了魚塘的魚重量分佈； 還有N-2個漁夫，各自興趣各幹各的； 最後得到N個特徵圖，描述了魚塘的一切！