输入图像经过一系列卷积核的卷积运算，每个卷积核与输入图像进行局部卷积，生成一个特征图（feaure map）。这些特征图在卷积神经网络中起到了非常重要的作用，因为它们能够自动提取输入数据的局部特征。通过改变卷积核的大小、步长和滤波器的数量，可以提取不同尺度和方向的边缘、纹理等特征。
在卷积神经网络中，每个卷积层都包含多个特征图，这些特征图之间是相互独立的。在每个特征图中，数据会通过激活函数（如ReLU、sigmoid等）进行非线性变换，使数据呈现非线性特性。这些非线性变换能够使网络更好地学习和识别复杂的特征。
随着网络的深度增加，每个卷积层中的特征图数量逐渐减少，但每个特征图的表示能力却越来越强。这是因为网络的深度增加可以带来更多的数据信息和特征表示能力，使得网络能够更好地处理复杂的任务。
在卷积神经网络的最后一层，通常会使用全连接层将所有的特征图连接起来，生成最终的输出结果。这个输出结果可以是分类结果、回归结果或者其他的预测结果。
卷积神经网络中的feaure map生成过程是一个从局部到全局、从简单到复杂的过程。通过不断地卷积和激活函数变换，网络能够自动提取输入数据的特征，并生成具有丰富表示能力的特征图。这些特征图在卷积神经网络的最后一层中起到至关重要的作用，帮助网络实现各种复杂的计算机视觉任务。
