CNN中特征映射层（S2）有特征提取层（C3）特征映射是怎么作用的

刚接触神经网络，已经晕了，现在把自己遇到的问题列出来，然后给自己一个提醒！（话不多说，直接看下文）



（这幅图是我看这篇博文时download的  http://www.cnblogs.com/nsnow/p/4562363.html）

图中的卷积网络工作流程如下，输入层由32×32个感知节点组成，接收原始图像。然后，计算流程在卷积和子抽样之间交替进行，如下所述：

    第一个特征提取层，是由输入图像通过和8个特征映射及可加偏置进行卷积，卷积后在C1层产生8个特征映射图，每张特征映射图由28×28个神经元组成，每个神经元接受一个 5×5 的滤波器（卷积核）【所以28×28就是（32-5+1）×（32-5+1），注意，这里滤波器其实是有重叠的】；

    第二个特征映射层，是由C1层的特征映射图中每组图的2×2
个像素进行求和，加权值，加偏置，通过一个Sigmoid函数得到8个S2层的特征映射图，从而实现子抽样和局部平均。它同样由 8 个特征映射组成，但其每个特征映射由14×14 个神经元组成【所以14×14 就是（28×28）/（2×2） ，注意，这里滤波器其实是没有重叠的】。S2层的8张特征映射图是分别对应从C1层的8张特征映射图进行操作得来的，也就是说，对C1层的第一张特征映射图进行subsampling,就得到S2层的第一张特征映射图。（这与下一步操作不一样，我就是在这两块部分理解混乱了。）

    第三个特征提取层，进行第二次卷积（与第一个卷积层操作方式相似），它由 20 个特征映射组成，每个特征映射由 10×10 个神经元组成。这个地方注意，它为什么有20个特征映射？其实如果你想要，50、100个都可以，关键就是它怎么得到20张特征映射图的。其实这个地方与上一层不一样的是，20张特征映射图的每一张特征映射图中的神经元都是对上一层的8张图一起操作的，而不是对应一张（之前我就是这里不懂）。大致思想如下图所示。



上图展示了在四个通道上的卷积操作，有两个卷积核，生成两个通道。其中需要注意的是，四个通道上每个通道对应一个卷积核，先将w2忽略，只看w1，那么在w1的某位置（i,j）处的值，是由四个通道上（i,j）处的卷积结果相加然后再取激活函数值得到的。

    第四个特征映射层，以与第一次抽样操作方式相似 进行第二次子抽样和局部平均计算。它由 20 个特征映射组成，但每个特征映射由 5×5 个神经元组成； 

    第五层 实现卷积的最后阶段，它由 120 个神经元组成，每个神经元指定一个 5×5 的接受域。

    最后是个全连接层，得到输出向量。