同一個卷積層中的 Feature Map有什麼區別?

在深度學習中用卷積神經網路進行特徵提取，一般都會設計多個Feature Map，請問它們之間的區別與聯繫是什麼？設計多少個Feature Map是通過什麼來判斷的？

多個Feature Map的作用是什麼？說一下個人理解，歡迎指正。
===================
在卷積神經網路中，我們希望用一個網路模擬視覺通路的特性，分層的概念是自底向上構造簡單到複雜的神經元。樓主關心的是同一層，那就說說同一層。
我們希望構造一組基，這組基能夠形成對於一個事物完備的描述，例如描述一個人時我們通過描述身高/體重/相貌等，在卷積網中也是如此。在同一層，我們希望得到對於一張圖片多種角度的描述，具體來講就是用多種不同的卷積核對圖像進行卷，得到不同核（這裡的核可以理解為描述）上的響應，作為圖像的特徵。他們的聯繫在於形成圖像在同一層次不同基上的描述。下層的核主要是一些簡單的邊緣檢測器（也可以理解為生理學上的simple cell）。在這裡給出部分第一層的結果，盜圖來自http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/filter_visualization.ipynb

上層的核主要是一些簡單核的疊加（或者用其他詞更貼切），可以理解為complex cell。多少個Feature Map？真的不好說，簡單問題少，複雜問題多，但是自底向上一般是核的數量在逐漸變多（當然也有例外，如Alexnet），主要靠經驗。

嘗試結合神經科學對第一個問題簡單說說自己的理解，輕黑。
在CNN的設定里，Feature Map是卷積核卷出來的，而不同的特徵提取（核）會提取不同的feature，模型想要達成的目的是解一個最優化，來找到能解釋現象的最佳的一組卷積核。例如某個核如果形似gabor運算元，就會提取出邊緣信息的feature，但這個特徵too simple，很可能不是模型需要的特徵。這與人腦神經網路（暫且這麼叫吧）的功能是很相似的，比如gabor運算元模擬了V1具有方向選擇性的神經元，這些神經元被稱為simple cell，只能對orientation做出響應，人腦依靠這些神經元檢測出圖像的邊緣信息。
但simple cell的功能也僅此而已，人腦若要完成一些更高級的功能（visual attention, object recognition），就需要更複雜的神經元，例如complex cell和hypercomplex cell，它們能對信號做一些更複雜的變換，而恰恰神經科學的證據表明，它們「很可能」是由V1的多個simple cell的輸出信號組合而成的，比如V4的一些cell可能對angle做出響應等；考慮一個object recognition的任務，object自身具有不同的特徵，不同的複雜的cell編碼了其不同的特徵，組合起來表達這樣一種object。CNN的設定中的feature map也就對應了各層cell的信號輸出。

參考：關於simple cell, complex cell, hypercomplex cell對不同特徵的響應
Perception Lecture Notes: LGN and V1

一本字典里有N多個字，一本詞典里有N多個詞，一本句典里……有句典嗎……
在字那一層，它就是一遍一遍地看，有這個字嗎有那個字嗎，在哪個位置。再上一層就再一遍一遍地看，有這個詞嗎有那個詞嗎，在哪裡。

換成圖像，字典有如邊緣特徵等等底層特徵，在底層很難表達，直接用上面的比較概念的的層看吧：輪子特徵去卷一遍，出來的圖就是有輪子的地方會被激活（顯示出來就是灰度高些咯），車牌特徵、車窗特徵等等亦如此。

beginner 獻出拙見，我目前的理解是這樣的：

feature map 由卷積核(Fliter) 和輸入做卷積運算得到

一個 Fliter 對應卷積後得到一個 feature map

不同的Filter (不同的 weight, bias) ，卷積以後得到不同的 feature map，提取不同的特徵（得到對應 specialized neuro）

舉例：

同一層：

Fliter1 的w1,b1 運算後提取的是 形狀邊緣的特徵： feature map1

Fliter2 的w2,b2 運算後提取的是 顏色深淺的特徵： feature map2

下一層：

Fliter3 的w3,b3 運算後提取的是 直線形狀的特徵： feature map3

Fliter4 的w4,b4 運算後提取的是 弧線形狀的特徵： feature map4

Fliter5 的w5,b5 運算後提取的是 紅色深淺的特徵： feature map5

Fliter6 的w6,b6 運算後提取的是 綠色深淺的特徵： feature map6

一張圖（矩陣）經過卷積核（kernal）卷積運算之後得到的一張新的圖（矩陣），就是feature map。

你用各種情況下的卷積核去乘以原圖，會得到各種各樣的feature map。你可以理解為你從多個角度去分析圖片。

用卷積核乘完以後，可能得到的圖失去了原來的模樣，但是對計算機來說，它更全面地「挖掘分析」了這張圖，對於進一步的分類啊什麼的，是有價值的。。。

同一卷積層，會有多個卷積核對一副圖做卷積，區別就是，不同的卷積核有不同的結果。一千個讀者有一千個哈姆雷特，一千個卷積核有一千種尺度描述