CNN中的过滤器数量是多少？
What is the number of filter in CNN?
我目前正在看theano的API，
theano.tensor.nnet.conv2d(input, filters, input_shape=None, filter_shape=None, border_mode='valid', subsample=(1, 1), filter_flip=True, image_shape=None, **kwargs)
其中 filter_shape 是 (num_filter, num_channel, height, width) 的元组，我对此感到困惑，因为在滑动过滤器 window 时，过滤器的数量不是由步幅决定的吗图片？我怎样才能像这样指定过滤器编号？如果是通过参数stride（如果有的话）来计算的话，我觉得比较合理
另外，我对feature map这个词也很困惑，是每层的神经元吗？批量大小如何？它们如何相关？
过滤器的数量就是神经元的数量，因为每个神经元对层的输入执行不同的卷积（更准确地说，神经元的输入权重形成卷积核）。
特征图是应用过滤器的结果（因此，您拥有与过滤器一样多的特征图），其大小是 window/kernel 过滤器大小和步幅的结果。
下图是我能找到的从高层次解释这个概念的最佳图片：
例如，如果您有 28x28 的输入图像和一个包含 20 个 7x7 过滤器且步幅为 1 的卷积层，您将在该层的输出端获得 20 个 22x22 的特征图。请注意，这是作为宽度 = 高度 = 22 和深度 = num_channels = 20 的体积呈现给下一层的。您可以使用相同的表示在 RGB 图像（例如来自 CIFAR10 数据集的图像）上训练 CNN ，这将是 32x32x3 体积（卷积仅应用于 2 个空间维度）。
编辑：评论中似乎有些混乱，我想澄清一下。首先，没有神经元。神经元只是神经网络中的一个比喻。也就是说，"how many neurons are there in a convolutional layer" 无法客观地回答，而是相对于您对该层执行的计算的看法。在我看来，过滤器是单个神经元，它 扫过图像 ，为每个位置提供 不同的激活 。在我看来，整个特征图是由多个位置的单个 neuron/filter 生成的。评论员似乎有另一种观点，与我的一样有效。他们将每个过滤器视为一组用于卷积运算的权重，以及图像中每个参与位置的一个神经元，所有这些都共享由过滤器定义的同一组权重。请注意，这两个视图在功能上（甚至在根本上）是相同的，因为它们使用相同的参数、计算并产生相同的结果。因此，这不是问题。
过滤器的数量是一个可以调整的超参数。卷积层中神经元的数量等于该层输出的大小。对于图像，它是特征图的大小。
关于过滤器的最佳数量没有正确答案。这在很大程度上取决于您的（图像）数据的类型和复杂性。随着时间的推移反复使用相似类型的数据集，从经验中学习了适当数量的特征。通常，您想要在图像中捕获（并且可能可用）的特征越多，CNN 中所需的过滤器数量就越多。
首先您需要了解过滤器的实际作用。
每一层过滤器都是为了捕捉模式。例如，第一层过滤器捕获边缘、角、点等图案。后续层 将这些图案组合成更大的图案。
卷积神经网络（通常）是用于 image/object 识别的监督方法。这意味着您需要使用一组标记图像来训练 CNN：这允许优化其卷积滤波器的权重，从而学习滤波器自身的形状，以最大限度地减少错误。
一旦你决定了过滤器的大小，过滤器的初始化对于“指导”学习很重要，你确实可以将它们初始化为随机值，然后让学习完成工作。
记住：
没有确定的规则，这取决于所考虑的情况。例如，要对 MNIST 数据库中的数字图像（28 x 28 像素黑白图像）进行分类，一个不错的选择是使用 20 个大小为 9 x 9 的过滤器（参考：P. Kim 的 MATLAB Deep Learning）。这个过滤器的数量将等于在第一个卷积层中获得的特征图的数量。其他类型的图像可能需要更多或更少的特征图，具体取决于图像的结构。
大于 0 且小于每个过滤器中的参数数量。例如，如果您有一个 5x5 滤镜、1 个颜色通道（因此，5x5x1），那么该层中的滤镜应该少于 25 个。原因是，如果您有 25 个或更多滤镜，则每个像素至少有 1 个滤镜。过滤器组应该对输入提供一些有损压缩，如果过滤器的数量与每个过滤器的参数一样多，那么它不会丢失任何数据，它只会大量过度拟合。
我目前正在看theano的API，
theano.tensor.nnet.conv2d(input, filters, input_shape=None, filter_shape=None, border_mode='valid', subsample=(1, 1), filter_flip=True, image_shape=None, **kwargs)
其中 filter_shape 是 (num_filter, num_channel, height, width) 的元组，我对此感到困惑，因为在滑动过滤器 window 时，过滤器的数量不是由步幅决定的吗图片？我怎样才能像这样指定过滤器编号？如果是通过参数stride（如果有的话）来计算的话，我觉得比较合理
另外，我对feature map这个词也很困惑，是每层的神经元吗？批量大小如何？它们如何相关？
过滤器的数量就是神经元的数量，因为每个神经元对层的输入执行不同的卷积（更准确地说，神经元的输入权重形成卷积核）。
特征图是应用过滤器的结果（因此，您拥有与过滤器一样多的特征图），其大小是 window/kernel 过滤器大小和步幅的结果。
下图是我能找到的从高层次解释这个概念的最佳图片：
例如，如果您有 28x28 的输入图像和一个包含 20 个 7x7 过滤器且步幅为 1 的卷积层，您将在该层的输出端获得 20 个 22x22 的特征图。请注意，这是作为宽度 = 高度 = 22 和深度 = num_channels = 20 的体积呈现给下一层的。您可以使用相同的表示在 RGB 图像（例如来自 CIFAR10 数据集的图像）上训练 CNN ，这将是 32x32x3 体积（卷积仅应用于 2 个空间维度）。
编辑：评论中似乎有些混乱，我想澄清一下。首先，没有神经元。神经元只是神经网络中的一个比喻。也就是说，"how many neurons are there in a convolutional layer" 无法客观地回答，而是相对于您对该层执行的计算的看法。在我看来，过滤器是单个神经元，它 扫过图像 ，为每个位置提供 不同的激活 。在我看来，整个特征图是由多个位置的单个 neuron/filter 生成的。评论员似乎有另一种观点，与我的一样有效。他们将每个过滤器视为一组用于卷积运算的权重，以及图像中每个参与位置的一个神经元，所有这些都共享由过滤器定义的同一组权重。请注意，这两个视图在功能上（甚至在根本上）是相同的，因为它们使用相同的参数、计算并产生相同的结果。因此，这不是问题。
过滤器的数量是一个可以调整的超参数。卷积层中神经元的数量等于该层输出的大小。对于图像，它是特征图的大小。
关于过滤器的最佳数量没有正确答案。这在很大程度上取决于您的（图像）数据的类型和复杂性。随着时间的推移反复使用相似类型的数据集，从经验中学习了适当数量的特征。通常，您想要在图像中捕获（并且可能可用）的特征越多，CNN 中所需的过滤器数量就越多。
首先您需要了解过滤器的实际作用。
每一层过滤器都是为了捕捉模式。例如，第一层过滤器捕获边缘、角、点等图案。后续层 将这些图案组合成更大的图案。
卷积神经网络（通常）是用于 image/object 识别的监督方法。这意味着您需要使用一组标记图像来训练 CNN：这允许优化其卷积滤波器的权重，从而学习滤波器自身的形状，以最大限度地减少错误。 一旦你决定了过滤器的大小，过滤器的初始化对于“指导”学习很重要，你确实可以将它们初始化为随机值，然后让学习完成工作。
记住：
没有确定的规则，这取决于所考虑的情况。例如，要对 MNIST 数据库中的数字图像（28 x 28 像素黑白图像）进行分类，一个不错的选择是使用 20 个大小为 9 x 9 的过滤器（参考：P. Kim 的 MATLAB Deep Learning）。这个过滤器的数量将等于在第一个卷积层中获得的特征图的数量。其他类型的图像可能需要更多或更少的特征图，具体取决于图像的结构。
大于 0 且小于每个过滤器中的参数数量。例如，如果您有一个 5x5 滤镜、1 个颜色通道（因此，5x5x1），那么该层中的滤镜应该少于 25 个。原因是，如果您有 25 个或更多滤镜，则每个像素至少有 1 个滤镜。过滤器组应该对输入提供一些有损压缩，如果过滤器的数量与每个过滤器的参数一样多，那么它不会丢失任何数据，它只会大量过度拟合。