1）第1层的C1有6个特征图，这是否意味着有6个卷积核？每个卷积核用于根据输入生成特征图。

有 6 个卷积核，每个用于根据输入生成特征图。另一种说法是有 6 个过滤器或 3D 组权重，我将称之为权重。这张图片没有显示，它可能应该更清楚的是，通常图像有 3 个通道，比如红色、绿色和蓝色。因此，将您从输入映射到 C1 的权重的形状/尺寸为 3x5x5 而不仅仅是 5x5。相同的 3 维权重或内核应用于整个 3x32x32 图像，以在 C1 中生成 2 维特征图。此示例中有 6 个内核（每个 3x5x5），因此在此示例中生成了 6 个特征图（每个 28x28，因为步幅为 1，填充为零），每个特征图都是在输入中应用 3x5x5 内核的结果。

2）第1层的S1有6个特征图，第2层的C2有16个特征图。在 S1 中基于 6 个特征图得到这 16​​ 个特征图的过程是什么样的？

现在做我们在第一层做的同样的事情，但是对第二层做，除了这次通道数不是 3 (RGB) 而是 6，S1 中的特征图/过滤器的数量是 6。现在有 16 个独特的内核，每个内核的形状/尺寸为 6x5x5。每个第 2 层内核应用于所有 S1，以在 C2 中生成 2D 特征图。这对第 2 层中的每个唯一内核执行 16 次，全部 16 个，以在第 2 层中生成 16 个特征图（每个 10x10，因为步幅为 1，填充为零）

来源：http ://cs231n.github.io/convolutional-networks/