我 90% 确定我的定义是正确的，但这是一个我想确定的核心概念。
当我们谈论正常的神经网络时，隐藏单元的定义对我来说是很清楚的。
但是我从 Andrew Ng 的深度学习专业中了解了 ConvNets，在 ConvNets 的上下文中，他通常谈论输入/输出量和过滤器。在这种情况下，他从未真正定义过隐藏单元，所以当他使用这个词时，我感到很困惑。
这就是我认为的定义。你能告诉我我是对的吗？
隐藏单元对应于输入体积中单个特定x/y 偏移处的单个过滤器的输出。因此，例如，如果您的输入量是 9x9x3，并且您有 5 个 3x3 过滤器（步长为 1，没有填充），您的输出将为 7x7x5，每个过滤器仅与 49 个隐藏单元相关联，每个隐藏单元仅与一个过滤器相关联，这一层有 49x5=245 个隐藏单元。
或者我想我可以更简单地说，隐藏单元是输出体积中特定 x,y,z 坐标处的值。
这一切都对吗？只是为了避免疑问，一个神经元仍然=这里的一个隐藏单元，对吧？
一般来说，我认为对于卷积层，我们倾向于不关注“隐藏单元”的概念，而是为了摆脱它，当我想到“隐藏单元”时，我会想到“隐藏”和“隐藏单元”的概念。单元'。对我来说，“隐藏”意味着它既不是输入层（网络的输入），也不是输出层（网络的输出）。对我来说，“单元”是单层的单个输出。所以如果你有一个卷积层，它不是网络的输出层，假设它有 16 个特征平面（也称为“通道”），内核是 3 x 3；该层的输入图像为 128x128，conv 层具有填充，因此输出图像也是 128x128。因此，该 conv 层的输出将是 32 个平面乘以 128x128 图像的立方体。大部头书，
但是，通常情况下，我认为我们倾向于使用诸如“神经元”和“单元”之类的语言来表示线性层，也称为全连接层。
对于 conv 层，我觉得我们按照以下方式指定它们：
然后我们指的是其中的事物，例如： - 一个output
- 一个input
- 一个“特征平面” - 一个“重量”
我认为@stephen 和@hugh 让它变得过于复杂了，
让我们简单点。通常，隐藏单元具有操作 Activation(W*X+b)。所以，仔细想想，
* CONV 层中的隐藏单元通常是使用“filter_volume aka 随机初始化权重的体积”的操作。更宽松地说，您可以说过滤器/过滤器体积 (f *f n_c_prev) 对应于 CONV 层中的单个神经元/隐藏单元。
特别是，在您的示例中，您有 (3*3* 3 ) 过滤器体积，您将在 (9*9* 3 ) 输入上进行卷积（按元素相乘和添加--> 偏差--> 激活） 。
(f* f* n_c_prev ) 一般是一个过滤器，n_c_prev 为输入通道的编号，
1 个过滤器 49 (7*7) 次，因为您有 5 个这样的过滤器，您将执行相同的卷积操作，只需 4 次，
因此，49*5=245 是您将使用 5 个不同初始化的过滤器体积对输入执行的卷积操作的总数！
因此，隐藏单元的数量只有 5 个，每个都可以使用 (f *f *n_c_prev) weights/vol。更抽象地思考，第 1 层中的隐藏单元只会看到神经网络的一小部分。因此，如果您进行可视化，如果您绘制激活单元的激活，则仅绘制小的图像块是有意义的，因为这是特定单元看到的所有图像。例子
现在你在 layer-1 中选择一个不同的隐藏单元并做同样的事情
因此，现在您有 9 个不同的代表性神经元，每个神经元都找到了 9 个 (3*3) 图像块，可以最大化单元的激活。
现在，如果您深入网络，那里的隐藏层，隐藏单元会看到图像更大的补丁/区域（更大的感受野！）并且能够检测许多复杂的模式，例如
有关它的更多信息，您可以在此处阅读“可视化和理解卷积网络”
我不认为任何一个答案都提供了明确的定义，所以我会尝试回答它，因为我偶然发现了同样的问题，在卷积神经网络的上下文中找到了隐藏单元的明确定义。
此上下文中的隐藏单元是特征图或过滤器。所以对于 Tensorflow 或 Keras 来说
tf.nn.Conv2D(**hidden_units**,...)
隐藏单元基于http://www.cs.toronto.edu/~asamir/papers/icassp13_cnn.pdf提供的定义
典型的卷积网络架构如图 1 所示。在像 DNN 这样的全连接网络中，每个隐藏的激活 hi 是通过将整个输入 V 乘以该层中的权重 W 来计算的。然而，在 CNN 中，每个隐藏激活是通过将一个小的局部输入（即 [v1, v2, v3]）与权重 W 相乘来计算的。然后，权重 W 在整个输入空间中共享，如图所示。在计算隐藏单元之后，最大池化层有助于消除隐藏单元中的可变性（即卷积带激活）
这个主题有很多复杂性，可能会使人感到困惑，所以让我们分解一下。
这是我们所拥有的，
(Layerl1) (9 * 9 * 3) ---->Conv with (3 * 3 * 3),5 个过滤器，s=1 p=0-----> (layerl2) (7 * 7 * 5)
现在，
单位：- 层中的单位是其感受野覆盖前一层的补丁
和，
理由>
每个过滤器从前一层 layerl1 检测一块区域，并且这个块中的每一个被称为 layerl2 的一个单元。我们知道 layerl2 中的通道数 = 过滤器数
理由>
让过滤器 1 检测垂直边缘，过滤器 2 检测垂直条，那么如果我们的图像有一些网格形状，那么过滤器 1 和过滤器 2 都会检测到这个网格，这个网格是一个组成一个单元的补丁，并且这个补丁/单元是共享的通过 2 个过滤器。
总结一下：- layerl2的每个通道都是layerl2的一个隐藏单元（这里是5个隐藏单元）