有人可以向我解释堆叠 2 个或更多连续卷积滤波器背后的直觉吗？为什么不能将 2 个过滤器合并为 1 个？

不，当有两个连续的卷积层时不能合并为一个。后续过滤器的输入是从前一个过滤器中提取的特征。这导致第二层的特征比前一层更高。

这是整个CNN的基础。沿着网络的深度堆叠多个卷积层，允许网络从输入图像中提取高级特征（不仅仅是边缘和角落）。

编辑。

CNN 的第一个卷积层本质上是一个标准的图像过滤器（+一个 ReLU）。它的目标是获取原始图像并从中提取基本特征（例如边缘、角落）。这些被称为低级特征。

第二个卷积层，而不是原始图像，接受第一个卷积层提取的特征作为其输入。这使它能够将这些基本形状组合成更复杂的特征。

随着网络的深入，提取的特征变得越来越复杂。靠近网络中间的层提取所谓的中级特征，而最后一层提取高级特征。

CNN 是强大的工具，因为它经过训练可以为每个任务提取最佳特征。这导致网络为不同的任务提取不同的特征。

例如，请看下图：

虽然每个任务的低级特征是相同的，但中级和高级特征却大不相同。例如，对于第一个识别人脸的 CNN：

• 低级特征是基本的几何形状（边、角、圆等）。
• 中级特征结合先前提取的形状来提取更复杂的特征（眼睛、鼻子、嘴唇），专门用于面部识别任务。
• 最后，高级特征结合前面的特征来提取更复杂的特征（在这种情况下是不同的人脸）。

基本上，您可以在一层中有多个卷积模块。它被称为分组并在AlexNet. 在这种情况下，输入是相同的，所有卷积模块的输出应该在通过输入后连接起来。

我从链接中引用了在 conv 网络中分组的好处。

群卷积为讨论许多涉及概率的情况提供了优雅的语言……群卷积自然地扩展了卷积神经网络，所有的东西都非常好地结合在一起。由于卷积神经网络是目前机器学习中最强大的工具之一，这很有趣……

关于堆叠，提供的答案就足够了。

形式上来说：2层不能叠成一层，因为它们之间存在非线性关系。

一般来说，CNN的结构是 $image \rightarrow conv1 \rightarrow f(conv1)\rightarrow conv2 \rightarrow f(conv2)$. 您无法将其转换为单层，除非$f(x)$是线性函数，在这种情况下 CNN 可能不是很好。

并且添加了非线性来提取特征，抑制无用的特征等，这可能不是很好理解。但是，如果您想更好地了解 CNN 中非线性的使用，我仍然建议您查看这个出色的答案：

科学家们知道人工神经网络内部发生了什么吗？