CNN：为什么将相同的激活图堆叠在一起
CNN: Why stack same activation maps on top of each other
我想知道为什么我们将基本相同的激活图堆叠在一起？因为它总是对相同的输入应用相同的过滤器，所以它不会总是相同的激活图吗？
如果是这样，我们甚至不需要重新计算激活图，只需复制N次激活图即可。这为我们提供了哪些额外信息？是的，我们再次创建一个具有深度（输出体积）的层，但如果它是相同的值，其背后的合理性是什么？
来源：http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture5.pdf
这不是同一个卷积，每个激活图（独立权重）都有独立的内核（过滤器），因此它们是完全不同的。没有它，在卷积之后我们只会提取一个"type of feature"，比如说边缘；而要让 CNN 发挥作用，我们需要大量这样的东西。
在提供的示例中，"green 5x5x3 filter" 生成一个绿色激活图，然后您有单独的 "blue 5x5x3 filter" 生成蓝色激活图，依此类推。
实际上我们不会在每个 other.It 的顶部堆叠相同的激活图，只是每个激活图的形状保持相同（在您的情况下，它是 5*5*3）。但是不同激活图之间的权重是完全不同的。
1. 每个激活图共享相同的权重。即单个激活图用于检测在原始图的不同位置出现的特定种类的特征。
2. 不同的激活图用于检测不同种类的特征。
我想知道为什么我们将基本相同的激活图堆叠在一起？因为它总是对相同的输入应用相同的过滤器，所以它不会总是相同的激活图吗？
如果是这样，我们甚至不需要重新计算激活图，只需复制N次激活图即可。这为我们提供了哪些额外信息？是的，我们再次创建一个具有深度（输出体积）的层，但如果它是相同的值，其背后的合理性是什么？
这不是同一个卷积，每个激活图（独立权重）都有独立的内核（过滤器），因此它们是完全不同的。没有它，在卷积之后我们只会提取一个"type of feature"，比如说边缘；而要让 CNN 发挥作用，我们需要大量这样的东西。
在提供的示例中，"green 5x5x3 filter" 生成一个绿色激活图，然后您有单独的 "blue 5x5x3 filter" 生成蓝色激活图，依此类推。
实际上我们不会在每个 other.It 的顶部堆叠相同的激活图，只是每个激活图的形状保持相同（在您的情况下，它是 5*5*3）。但是不同激活图之间的权重是完全不同的。
1. 每个激活图共享相同的权重。即单个激活图用于检测在原始图的不同位置出现的特定种类的特征。
2. 不同的激活图用于检测不同种类的特征。