在卷积神经网络的示意图中，这些大方块，代表什么呢?
这些大方块，是图像经过卷积运算后，得到的输出特征图。
例如，输入图片是6*6大小的，与3*3的卷积核进行计算后，会得到4*4的输出结果，该结果就被称为输出特征图。
在一个卷积层中，可以包含多个卷积核，每个卷积核都可以提取图像的一组特征，不同的卷积核相当于不同的特征提取器。
例如，使用5个卷积核，提取输入图片的特征，得到5个输出特征图。
我们可以将输出特征图展示出来:
例如，将输入图像和9个不同的卷积核进行卷积运算，会得到9个结果。
如果将这9个结果以图片形式输出，就会得到9张输出特征图。
再比如，下图是经典的Lenet5卷积神经网络示意图:
输入图像是一个32×32的单通道灰色图像。
在第1个卷积层中，有6个5×5大小的卷积核。
因此输入图像经过卷积层计算后，会得到6个28×28的特征图。
接着经过池化层，会得到6个14×14的特征图。
在第2个卷积层中，有16个5×5大小的卷积核。
因此经过第2层卷积运算，会得到16个10×10的特征图。
同样经过池化层，得到16个5×5的特征图。
以上就是特征图的基本概念，感谢大家的观看，我们下节课再会。