卷积层的理解

https://zhuanlan.zhihu.com/p/31249821
https://zhuanlan.zhihu.com/p/31657315
https://zhuanlan.zhihu.com/p/32299939
https://zhuanlan.zhihu.com/p/33841176

beginner 献出拙见，我目前的理解是这样的：feature map 由卷积核(Fliter) 和输入做卷积运算得到一个 Fliter 对应卷积后得到一个 feature map不同的Filter (不同的 weight, bias) ，卷积以后得到不同的 feature map，提取不同的特征（得到对应 specialized neuro）举例：同一层： Fliter1 的w1,b1 运算后提取的是 形状边缘的特征： feature map1 Fliter2 的w2,b2 运算后提取的是 颜色深浅的特征： feature map2下一层： Fliter3 的w3,b3 运算后提取的是 直线形状的特征： feature map3 Fliter4 的w4,b4 运算后提取的是 弧线形状的特征： feature map4 Fliter5 的w5,b5 运算后提取的是 红色深浅的特征： feature map5 Fliter6 的w6,b6 运算后提取的是 绿色深浅的特征： feature map6

卷积核为奇数，即33，55，77等等类似的。从卷积核尺寸的选取来看，卷积核尺寸过大，会导致提取图像的特征过于复杂，尺寸过小，难以表示有用的特征。一般选取55或者77的最佳，不过都是在实验室的基础上进行选取的，如果实验表明33的效果更好，那完全可以用3*

3D Visualization of a Convolutional Neural Network

https://www.zhihu.com/question/47732823?sort=created

http://www.cnblogs.com/subconscious/p/5058741.html 神经网络综述

https://www.jianshu.com/p/856a5b424d6b
y=wx+b 与y=xw+b，后者求导更好算。

https://zhuanlan.zhihu.com/p/33667203