说我有一个{strong> 2 CNN的{{1}}。要消耗 25x25 layers像素的图片，则RGB的{{1}} = 50，first layer = 5x5 ， filter-size = 1x1 kernel size = 0x0 。并且stride具有相同的参数，除了padding = 100 。现在，我知道second layer中的filter-size的尺寸为 21x21x3 （×3 是由于Activation Map造成的）。这意味着我有 50 1st layer's pass个 21x21x3 ，是通过在输入图片上应用 50 个不同的RGB创建的。
我的问题是针对activation maps的，因为我的filters = 100 的意思是{{ 1}}以second pass的形式通过filter-size的 100 activation maps，因此在layer 1处我总共 100x50 filters或 50 second layer在通过之前被融合到一个单元中，这样receptive fields仅产生 100 < / strong> second pass还在吗？
答案 0 :(得分：1)
您在这里有点误解。而不是保留输入图像的尺寸（在您的情况下为3，因为是RGB），所以它确实使跨所有图像进行卷积。意味着卷积运算符C对于大小为x的特定图像区域5x5x3的输出将仅仅是一个值，而不是大小为1x3的向量。
激活图（我喜欢称其为特征图）然后简单地暗示您有多少个不同的卷积滤波器，因此可以堆叠尽可能多的“输出尺寸”。在您的示例中，输出将不是21x21x3，而是21x21x50。
对于下一层，您将类似地输入（假设您使用的是相同的内核大小）5x5x50，然后再次仅生成一个值。这次，您有100个输出堆栈，因此结果大小为17x17x100。