一文卷积神经网络参数解释
一提到卷积神经网络，有些概念我们需要解析一下，要不然一说卷积神经网络可能会发懵。
patch和filter
第一次听到patch，这是个啥？我们先看一下斯坦福大学对卷积核的一个动态介绍[1]，这里直接弄一个图，动态图参考文献[1]：
图1 卷积核
Image代表的就是图片的输入，Image图中的黄色33的块就是patch，那么黄色里红色数字组成的33矩阵就是卷积核，或者叫filter。
实例说明
为了更清晰说明，我们以一张猫的图片做立体说明。
CNN 的第一步是把图片分成小块。我们通过选取一个给定宽度和高度的滤波器来实现这一步。滤波器会照在图片的小块 patch （图像区块）上。这些 patch 的大小与滤波器一样大。
CNN用滤波器来把图片分割成更小的 patch，patch 的大小跟滤波器大小相同。我们可以在水平方向，或者竖直方向滑动滤波器对图片的不同部分进行聚焦。
tride
tride，也叫步长，表示滤波器在图片上每一次向右移动的距离。假设步长设为1，图1卷积核就会变成图2(第一次移动一个步长后的卷积核图)。
图2 移动1位后的卷积核
滤波器滑动的间隔被称作 stride（步长）。这是你可以调节的一个超参数。增大 stride 值后，会减少每层总 patch 数量，因此也减小了模型大小。通常这也会降低图像精度。
Filter Depth
通常都会有多余一个滤波器，不同滤波器提取一个 patch 的不同特性。例如，一个滤波器寻找特定颜色，另一个寻找特定物体的特定形状。卷积层滤波器的数量被称为滤波器深度Filter Depth。
上述例子中，一个 patch 与下一层的神经元相连
来源: MIchael Neilsen
每个 patch 连接多少神经元？
这取决于滤波器的深度，如果深度是 k，我们把每个 patch 与下一层的 k 个神经元相连。这样下一层的高度就是 k，如下图所示。实际操作中，k是一个我们可以调节的超参数，大多数的 CNNs 倾向于选择相同的起始值。
滤波器的深度为k，与下一层的k个神经元相连。
为什么我们把一个 patch 与下一层的多个神经元相连呢？一个神经元不够好吗？
多个神经元的作用在于，一个 patch 可以有多个有意义的，可供提取的特点。
例如，一个 patch 可能包括白牙，金色的须，红舌头的一部分。在这种情况下，我们需要一个深度至少为3的滤波器，一个识别牙，一个识别须，一个识别舌头。
这只狗的 patch 有很多有意思的特征需要提取。包括牙、须以及粉红色的舌头。
一个 patch 连接有多个神经元可以保证我们的 CNNs 学会提取任何它觉得重要的特征。
记住，CNN 并没有被规定寻找特定特征。与之相反，它自我学习什么特征值得注意。
Ref：
1、卷积核动态图
2、Udacity课程