给定层的激活图如何连接到该层的过滤器？我不是在问如何在过滤器和激活图之间进行卷积运算，我是在问这两个具有的连接类型。
例如，假设您要进行完全连接。在给定的层中，您有f个过滤器和n个激活图。您将在下一层获得f * n个激活图，激活图的数量将随每个新层的增加而增加。这是我认为完成的方式。
或者您可以说每个过滤器仅连接到一个激活图。在这种情况下，过滤器的数量将等于激活图的数量，并且每个层将具有相同数量的过滤器和激活图。这是我的网络的当前体系结构，似乎学习得很好。
我感到困惑的主要原因是看网上看到的卷积图。其中一些在过滤器和激活图之间具有“完全连接”，例如-
在第一层中，您有4个激活图，大概有2个过滤器。每个图都与每个过滤器卷积，从而在下一层生成8个图。看起来很棒。
但是，这里的架构对我来说没有意义-
您如何从第一层的6张地图转到第二层的16张地图？我可以想到从6张地图中获取16张地图的方法，但这样做毫无意义。
Answers:
您发布的第二种卷积神经网络（CNN）架构来自本文。在本文中，作者描述了S2和C3层之间发生的情况。他们的解释不是很清楚。我要说的是，这种CNN架构不是“标准”的，作为CNN的第一个示例，它可能会造成很大的混乱。
首先，需要澄清特征图的生成方式以及它们与过滤器的关系。特征图是滤波器与特征图卷积的结果。让我们以INPUT和C1层为例。在最常见的情况下，要在C1层中获取6个尺寸为特征图，则需要6个尺寸为滤镜（“有效”卷积尺寸为的图像与的大小滤波器，假设，具有尺寸。但是，您可以通过组合由多于或少于6个过滤器生成的特征图（例如，将它们加起来）来生成6个特征图。在本文中，虽然对于C1层没有任何暗示。
以下是在S2层和C3层之间发生的情况。由S2层中的6个特征图生成的C3层中有16个特征图。C3层中的滤波器数量确实并不明显。实际上，仅从体系结构图中，就无法判断生成这16个特征图的确切滤波器数量。该论文的作者提供了下表（第8页）：
他们使用该表提供以下说明（第7页的底部）：
C3层是具有16个特征图的卷积层。每个特征图中的每个单元在S2的特征图中子集的相同位置上连接到 x邻域。
在表中，作者表明，C3层中的每个要素图都是通过组合3个或更多要素图（第8页）生成的：
前六个C3特征图从S2中三个特征图的每个连续子集中获取输入。接下来的六个从四个相邻的子集中获取输入。接下来的三个从四个不连续的子集中获取输入。最后，最后一个从所有S2特征图中获取输入。
现在，C3层中有多少个过滤器？不幸的是，他们没有解释这一点。两种最简单的可能性是：
在这两种情况下，“组合”都意味着每个S2特征图组的卷积结果需要组合到生成的C3特征图上。作者没有指定完成的方式，但是添加是一种常见的选择（例如，参见本页中间的gif动画。
不过，作者提供了一些其他信息，可以帮助我们解密体系结构。他们说“ C3层有1,516个可训练参数”（第8页）。我们可以使用此信息来决定上述情况（1）和（2）。
在（1）的情况下，我们有 x过滤器。过滤器大小为。在这种情况下，可训练参数的数量为可训练参数。如果我们假设每个C3特征图的偏置单位为1，则得到参数，这就是作者所说的。为了完整起见，在情况（2）中，我们将拥有参数，情况并非如此。
因此，如果我们再次查看上面的表I，则每个S2特征图都有10个不同的 C3过滤器（因此总共有60个不同的过滤器）。
作者解释了这种选择：
[在C3层中]不同的特征图被迫提取不同的（希望是互补的）特征，因为它们获得了不同的输入集。
我希望这可以澄清情况。
您确实是正确的，@之前的值表示过滤器的数量，而不是要素图的数量（尽管对于第一个卷积层，这些值是一致的）。
关于您的最后一个问题：是的，将第l层的每个要素图都连接到第l + 1层的每个过滤器确实有意义。这样做的唯一原因是，它大大增加了网络的表达能力，因为它具有更多组合特征图的方式（路径），因此可以更好地区分输入图像上的内容。
最后，我不知道您是否通过自己实施神经网络技能来练习神经网络技能，但是如果您只想将卷积网络应用于特定任务，那么已经有一些出色的神经网络库，例如Theano，Brainstorm，Caffe