我在查看CS231n 卷积神经网络用于视觉识别中的卷积神经网络。卷积神经网络中的神经元以三维排列（height，width，depth）。我对CNN的depth感到困惑，无法想象它是什么样的。

在链接中他们说CONV层的参数包括一组可学习的滤波器。每个滤波器在空间上（沿宽度和高度）都很小，但扩展到输入体积的整个深度。

例如，看这张图片。如果图片质量太差，请原谅。

我能理解我们从图像中取出一个小区域，然后与“滤波器”进行比较的想法。所以滤波器将是一组小图像的集合吗？他们还说我们将每个神经元仅连接到输入体积的局部区域。这种连接的空间范围是一个称为神经元感受野的超参数。那么感受野的维度是否与滤波器相同？这里的深度又是什么？我们用CNN的深度表示什么？

所以，我的主要问题是，如果我有一张尺寸为[32*32*3]的图像（假设我有50000张这样的图像，使数据集变为[50000*32*32*3]），我应该选择什么作为它的深度，深度意味着什么？滤波器的维度又会是什么？

如果有人能提供一些直观理解的链接，将会非常有帮助。

编辑：在教程的一部分（现实世界的例子部分），它说Krizhevsky等人赢得2012年ImageNet挑战赛的架构接受了尺寸为[227x227x3]的图像。在第一个卷积层，它使用了感受野大小F=11，步长S=4且无零填充P=0的神经元。由于(227 - 11)/4 + 1 = 55，并且由于Conv层具有深度K=96，Conv层的输出体积尺寸为[55x55x96]。

在这里我们看到深度是96。那么深度是我任意选择的吗？还是我计算出来的？在上面的例子中（Krizhevsky等人），他们有96个深度。那么96个深度意味着什么？教程还说每个滤波器在空间上（沿宽度和高度）都很小，但扩展到输入体积的整个深度。

那么这意味着深度会是这样的吗？如果是这样，那么我可以假设深度 = 滤波器数量吗？

回答：

在深度神经网络中，深度指的是网络的深度，但在这种情况下，深度用于视觉识别，它转换为图像的第三维度。

在这种情况下，你有一张图像，其输入大小为32x32x3，即(宽度, 高度, 深度)。神经网络应该能够基于这些参数进行学习，因为深度转换为训练图像的不同通道。

更新：

在你的CNN的每一层，它学习训练图像的规律性。在最开始的层，规律性是曲线和边缘，然后当你深入到更深的层时，你开始学习更高层次的规律性，如颜色、形状、物体等。这是基本的想法，但有很多技术细节。在继续之前，先看看这个：http://www.datarobot.com/blog/a-primer-on-deep-learning/

更新2：

看看你提供的链接中的第一张图。它说‘在这个例子中，红色输入层保存图像，所以它的宽度和高度将是图像的尺寸，深度将是3（红色、绿色、蓝色通道）’。这意味着ConvNet神经元通过在三维中排列其神经元来转换输入图像。

作为对你问题的回答，深度对应于图像的不同颜色通道。

此外，关于滤波器的深度。教程是这样说的。

每个滤波器在空间上（沿宽度和高度）都很小，但扩展到输入体积的整个深度。

这基本上意味着滤波器是图像的一个较小部分，它在图像的深度上移动，以学习图像中的规律性。

更新3：

对于现实世界的例子，我刚刚浏览了原始论文，它是这样说的：第一个卷积层用96个大小为11×11×3的内核，以4像素的步长过滤224×224×3的输入图像。

在教程中，它将深度称为通道，但在现实世界中，你可以设计任何你喜欢的维度。毕竟那是你的设计。

教程旨在让你一窥ConvNets在理论上的工作方式，但如果我设计一个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？