内核如何应用于要素图以生成其他要素图？

我试图理解卷积神经网络的卷积部分。看下图：

在理解第一个卷积层时，我没有问题，在这里我们有4个不同的内核（大小为），我们将它们与输入图像进行卷积以获得4个特征图。$k \times k$

我不理解的是下一个卷积层，我们从4个特征图转到6个特征图。我假设在这一层中有6个内核（因此给出了6个输出特征图），但是这些内核如何在C1中显示的4个特征图上工作？内核是3维的，还是2维的，并在4个输入要素图中复制？

内核是3维的，可以选择宽度和高度，而深度等于输入层中的地图数量-通常。

它们肯定不是二维的，而是在同一2D位置的输入要素地图上复制的！这将意味着内核将无法在给定位置区分其输入特征，因为它会在输入特征图上使用相同的权重！

层和内核之间不一定存在一对一的对应关系。这取决于特定的体系结构。您发布的图建议在S2层中有6个特征图，每个特征图都结合了先前层的所有特征图，即特征的不同可能组合。

没有更多的参考，我无法说更多。例如参见本文

Yann LeCun的“基于梯度的学习应用于文档识别”的表1和第2a节很好地说明了这一点：http: //yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf 并非5x5卷积的所有区域都是用于生成第二个卷积层。

本文可能会有所帮助：Tim Dettmers从3月26日开始了解深度学习中的卷积

它并没有真正回答这个问题，因为它仅解释了第一卷积层，但是很好地解释了CNN中卷积的基本直觉。它还描述了卷积的更深层数学定义。我认为这与问题主题有关。