假设您有一个最大池化层，可提供 10 个下采样特征图。您是否堆叠这些特征图，将它们视为通道并将深度为 10 的“单个图像”与深度为 10 的 3d 内核卷积？这就是我一般的想法。那是对的吗？

是的。CNN 中的常规约定是每个内核始终与输入具有相同的深度，因此您也可以将其视为与输入通道相关联的 2D 内核的“堆栈”，并求和以形成一个输出通道 - 因为根据该公约$N_{in\_channels} = N_{kernel\_depth}$这在数学上是相同的。表示为 3D 卷积允许更简单的符号和代码。

在上述可视化中的第二个卷积层上，大多数特征图只连接到之前层图的 3 或 4 个。谁能帮助我更好地理解这一点？

该图在这方面是非标准的，尽管它似乎正常显示了池化和全连接层。这可能是图表中的一个错误，或者该特定 CNN 的一些非常规的东西。

如果我们的输入是彩色图像，我们的第一个卷积核将是 3D。这意味着我们为每个颜色通道学习不同的权重（我假设我们没有学习在每个通道上重复的单个 2D 内核，对吗）？

正确的。您可以在AlexNet 的可视化过滤器中看到这一点（请注意，出于计算原因，AlexNet 将其一半过滤器专门用于灰度工作，并且还有其他我们现在不使用的巧妙优化，因为可用的 GPU 功率足够高不需要它们）。大多数实现还将灰度图像视为 1 通道 3D 形状以保持一致性。