イントロの背景
畳み込みニューラルネットワーク内では、通常、次のような一般的な構造/フローがあります。
- 入力画像（つまり、2Dベクトル
x）
（最初の畳み込み層（Conv1）はここから始まります…）
- 2D画像に沿って一連のフィルター（
w1）を畳み込みます（つまり、z1 = w1*x + b1内積乗算）。ここで、z1は3Dであり、b1はバイアスです。 - アクティベーション関数（例：ReLu）を適用して、
z1を非線形（例：a1 = ReLu(z1)）にします。ここで、a1は3Dです。
（2番目の畳み込み層（Conv2）はここから始まります…）
- 新しく計算された活性化に沿って一連のフィルターを畳み込みます（つまり、
z2 = w2*a1 + b2内積乗算を実行します）。ここで、z2は3Dであり、b2はバイアスです。 - 活性化関数を適用します（例： ReLu）
z2を非線形（例：a2 = ReLu(z2)）にします。ここで、a2は3Dです。 。
質問
用語の定義"機能マップ"は文学ごとに異なるようです。具体的には：
- 最初の畳み込み層の場合、"特徴マップ"は入力ベクトルに対応しますか
x、または出力ドット積z1、または出力アクティベーションa1、または"プロセス"xをa1、または他の何か？ - 同様に、2番目の畳み込み層の場合、"特徴マップ"は対応しますか入力アクティベーション
a1、または出力ドット積z2、または出力アクティベーションa2、または"プロセス"a1をa2、または他の何か？
さらに、"という用語は本当ですかure map "は正確に アクティベーションマップ"？ （または、実際には2つの異なる意味ですか？）
その他の参考資料：
ニューラルネットワークとディープラーニングのスニペット-第6章：
*ここでは命名法が大まかに使用されています。特に、私は"特徴マップ"を使用して、畳み込み層によって計算された関数ではなく、隠れたニューロンは層から出力されます。この種の軽度の命名法の乱用は、研究文献ではかなり一般的です。
Matt Zeilerによる畳み込みネットワークの視覚化と理解：
この論文では、次のような視覚化手法を紹介します。モデル内の任意のレイヤーで個々の特徴マップを励起する入力刺激を明らかにします。[…]対照的に、私たちのアプローチは、不変性の非パラメトリックビューを提供し、トレーニングセットのどのパターンが特徴マップをアクティブにするかを示します。[。 ..]特徴マップ全体の応答を正規化するローカルコントラスト操作。[…]特定の畳み込みアクティブ化を調べるために、レイヤー内の他のすべてのアクティブ化をゼロに設定し、特徴マップを渡します。 ■接続されたdeconvnetレイヤーへの入力として。 […] convnetはrelu非線形性を使用します。これにより、特徴マップが修正され、特徴マップが常に正になることが保証されます。 […] convnetは、学習したフィルターを使用して、前のレイヤーのフィーチャマップを畳み込みます。 […]図6、これらの視覚化は、パターンに対応する元の入力画像の部分が遮られたときに、モデル内の特定の特徴マップを刺激する入力パターンの正確な表現です[…]機能マップ内のアクティビティの明確な低下。 […]
備考："機能マップおよび"図1の修正された機能マップ"
スニペット CNNに関するスタンフォードCS231nの章から：
[.. ..]この視覚化で簡単に気付く危険な落とし穴の1つは、多くの異なる入力で一部のアクティベーションマップがすべてゼロになる可能性があることです。これは、フィルターが機能していないことを示し、学習率が高いことを示している可能性があります[…]猫の写真を見ている訓練されたAlexNetの最初のCONVレイヤー（左）と5番目のCONVレイヤー（右）。すべてのボックスには、いくつかのフィルターに対応するアクティベーションマップが表示されます。アクティベーションがまばらで（ほとんどの値はゼロで、この視覚化では黒で示されています）、ほとんどがローカルであることに注意してください。
a1、a2などです）。 Conv2では、a1を入力アクティベーションマップと呼び、a2を出力アクティベーションマップと呼ぶと思います。 Conv1では、入力画像をx、出力アクティベーションマップをa1します。