Feature map（特征图）
在CNN的每个卷积层，数据以三维形式存在。可以看成是多个二维图片叠在一起，其中每一个称为一个feature map。
在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般是三个feature map（红绿蓝）。
在其他层，层与层之间会有若干个卷积核（kernel)，也称为过滤器。若只有一个卷积核，上一层中的所有feature map就跟卷积核做卷积，产生下一层的一个feature map；若有N个卷积核，就产生N个feature map。
当前层中feature map的数量，也称为深度、层数、通道数，与卷积核的深度（或叫层数、通道数量），一一对应。
在同一层，我们希望得到对于一张图片多种角度的描述，即用多种不同的卷积核对图像进行卷积，得到不同核上的响应作为图像的特征。
卷积核
在有的文档中，卷积核也称为过滤器（filter）。每个卷积核具有长、宽、深三个维度。
在一个卷积层中，可以有多个卷积核；下一层需要多少个feature map，本层就需要多少个卷积核。
卷积核的长、宽都是人为指定的，长x宽也被称为卷积核的尺寸。常用的尺寸为3x3、5x5等。卷积核的深度与当前图像的深度（feature map的张数）相同，所以指定卷积核时只需指定其长和宽两个参数。
filter
关于filter有两种理解：
在有的文档中，一个filter等同于一个卷积核，只是指定了卷积核的长宽深；
在有的框架中，例如TensorFlow，filter参数通常指定了卷积核的长、宽、深、个数四个参数。
通道
卷积神经网络中的通道（channel）也叫特征图（feature map）
卷积神经网络中主要有两个操作，一个卷积（Convolution），一个池化（Pooling）。其中，池化层并不会对通道之间的交互有影响，只是在单个通道中进行操作的；而卷积层可以在通道与通道之间进行交互，之后在一层生成新的通道。
在一般的说法中，通道指的是图片的色彩通道，而特征图是卷积过滤器输出的结果。但实际上，两者本质上是相同的，都是表示之前输入上某个特征分布的数据。
in_channel和out_channel
in_channel：feature_map的张数，也就是卷积核的深度
out_channel：取决于卷积核的数量，即下层将产生的feature_map数量。此时的out_channel会作为下一次卷积时的卷积核的in_channels
通道与特征
图片中的通道就是某种意义上的特征图。一个通道就是对某个特征的检测，通道中某一处数值的强弱就是对当前特征强弱的反应。
如一个蓝色通道中，如果灰度等级是256级的话，那么一个像素值是255就表示蓝色度最大，为0就表示蓝色度最小。
所以卷积网络中的特征图，可以理解为通道。
之后通过对一定范围的特征图进行卷积，可以将多个特征组合出来的模式抽取成一个特征，获得下一个特征图。再继续对特征图进行卷积，特征之间继续组合，可以获得更复杂的特征图。
因为池化层的存在，会不断提取一定范围内最强烈的特征，并且缩小张量的大小，使得大范围内的特征组合也能够捕捉到。
1x1卷积的意义
1x1卷积前后的张量大小完全不变，但是可以通过特征之间的互动，由之前的64个特征图组成新的64个特征图。