1. Convolution Kernal & Filter

我们对图像进行卷积的时候，
目的是为了用卷积核/Filter对图像的特征进行提取。

一个fliter，一组weights，代表一个特征
用特征扫描整张原图的每一个局部，确认每一个局部是否存在这个特征，如果有这个特征就一定能找到。

2.Spatial Hierarchies of patterns

第一层的Convotional layer学习最简单的特征
第二层的也有同样大小和尺寸的Filter，但数量更多

为什么深层的Convotional layer的filter数量要更高？
初级特征少（比如说，26个英文字母和小说）
高级特征可以在初级特征上衍生更多

第二层Convotional layer在第一层convolutional layer的基础上学习更多，提炼更多，学习更复杂的特征
第二层的output neuron是对第一层一个局部特征扫描后的总结，同样是一个neuron，第二层的neuron信息量更大。因为种类多了，概率低了，信息量就大了。
第二层的output feature maps在用更复杂，更抽象的特征作为单位来重塑原图。

3. 如何理解filter和feature maps的关系

filter：
特征扫描器，扫描原图所有局部
每个局部是否存在某个特征状态，作为一个feature map neuron
image.png

一副feature maps是由非常多的neuron组成的。比如说在图中，
image.png
用filter对图1做卷积，输出的结果为图2，单论每一个filter输出的都是一个neuron，图二就是非常多neuron组成的图形。

由于图二是由filter这样的feature卷积得到的，所以图2叫feature maps

feature maps：
以某个特征为单位的neuron来重塑原图
用某个特征来重塑原图。