Machine learning 卷积神经网络的深度是多少？

我在看卷积神经网络。在卷积神经网络中，神经元按3维排列（

高度

，

宽度

，

深度

）。我对CNN的深度有问题。我无法想象那是什么

他们在链接中说，CONV层的参数由一组可学习的过滤器组成。每个过滤器在空间上都很小（沿宽度和高度），但会延伸到输入卷的整个深度

例如，看这张图片。对不起，如果图像太糟糕了

我能理解这样一个想法，即我们从图像上去掉一小块区域，然后将其与“过滤器”进行比较。那么过滤器将收集小图像？他们还说，我们将把每个神经元只连接到输入体积的一个局部区域。这种连通性的空间范围是一个超参数，称为神经元的感受野。那么感受野是否与过滤器具有相同的尺寸？这里的深度是多少？我们使用CNN的深度意味着什么

因此，我的问题主要是，如果我拍摄一张尺寸为

[32*32*3]

的图像（假设我有50000张这样的图像，使数据集

[50000*32*32*3]

），我应该选择什么作为其深度，深度意味着什么。过滤器的尺寸是多少

如果任何人都能提供一些链接，在这方面给出一些直觉，这将是非常有帮助的

编辑： 因此，在本教程的一部分（真实世界示例部分）中，它说，2012年赢得ImageNet挑战赛的Krizhevsky等人的体系结构接受了大小为[227x227x3]的图像。在第一个卷积层，它使用感受野大小为F=11、步幅为S=4、无零填充P=0的神经元。由于（227-11）/4+1=55，并且由于Conv层的深度为K=96，Conv层输出卷的大小为[55x55x96]。

这里我们看到的深度是96。那么深度是我任意选择的吗？还是我计算出来的？同样在上面的例子中（Krizhevsky等人），它们有96个深度。那么它的96度深度是什么意思呢？此外，本教程还说明了

每个过滤器在空间上都很小（沿宽度和高度），但可以延伸到输入卷的整个深度

这意味着深度将是这样的？如果是这样，那么我可以假设
深度=过滤器的数量
？
在深度神经网络中，深度是指网络的深度，但在这种情况下，深度用于视觉识别，并转化为图像的第三维度

在本例中，您有一个图像，该输入的大小为32x32x3，即
（宽度、高度、深度）
。当深度转换到训练图像的不同通道时，神经网络应该能够基于此参数进行学习

更新：

在你的CNN的每一层，它学习训练图像的规律。在最初的层中，规则是曲线和边，然后当你沿着层深入时，你开始学习更高层次的规则，如颜色、形状、对象等。这是基本思想，但有很多技术细节。在继续之前，尝试一下：

更新2:

请查看您提供的链接中的第一个图。它说，“在这个例子中，红色输入层保存图像，因此其宽度和高度为图像的尺寸，深度为3（红色、绿色、蓝色通道）。这意味着ConvNet神经元通过三维排列其神经元来转换输入图像

作为对您问题的回答，深度对应于图像的不同颜色通道。

此外，关于过滤深度。本教程说明了这一点

每个过滤器在空间上都很小（沿宽度和高度），但会延伸到输入卷的整个深度。

这基本上意味着，过滤器是图像的一小部分，它围绕图像的深度移动，以了解图像中的规律性

更新3:

对于真实世界的例子，我刚刚浏览了原稿，上面写着：第一个卷积层过滤224×224×3的输入图像，其中96个内核大小为11×11×3，跨步为4像素。

在本教程中，它将深度称为通道，但在现实世界中，您可以设计任意尺寸。毕竟这是你的设计

本教程旨在让您了解ConvNet在理论上是如何工作的，但是如果我设计了一个ConvNet，没有人能阻止我提出一个具有不同深度的ConvNet

这有意义吗？
网络的深度是网络中的层数。在本文中，深度为9层（如何计算层数的栅栏柱问题的模数？）。
我不知道为什么会有如此多的遗漏。一开始我也很难理解它，除了安德烈·卡帕蒂（Andrej Karpathy）（感谢d00d）之外，很少有人解释过它。尽管在他的writeup（）中，他使用了与动画中不同的示例来计算输出体积的深度

首先阅读标题为“Numpy示例”的部分

这里，我们迭代地进行

在这种情况下，我们有一个11x11x4。（为什么我们从4开始有点奇怪，因为3的深度更容易掌握）

请注意这句话：

位置（x，y）处的深度柱（或光纤）将被激活
X[X，y，：]

深度切片，或相当于深度d处的激活贴图
将是激活X[：，：，d]

V[0,0,0]=np.sum（X[：5，：5，：]*W0）+b0

V是你的输出量。第0个索引v[0]是yo
receptive field of a neuron is 3D 

depth of output layer = depth of conv. layer