在卷积神经网络中，卷积层的“深度”这一概念应如何理解？请从不同角度阐述其含义。

回答思路

1. 【回答框架 1】卷积层的深度通常指输出特征图的通道数，即卷积核的数量。每个卷积核提取一种特征，多个卷积核叠加形成深度，对应不同特征映射。
2. 【回答框架 2】深度也可指网络中卷积层的堆叠数量，即网络深度。增加层数可提取更抽象的特征，但可能带来梯度消失和计算开销。
3. 【回答框架 3】从参数角度看，深度影响模型容量。通道数增加提升表达能力，但需平衡计算量和过拟合风险。
4. 【回答框架 4】深度与感受野相关，深层卷积层能覆盖更大输入区域，捕捉全局信息，而浅层关注局部细节。
5. 【回答框架 5】实际设计中，深度选择需结合任务复杂度、数据规模和硬件资源，常用结构如ResNet通过残差连接缓解深层训练问题。
6. 【关键点 1】卷积层深度主要指输出通道数，由卷积核数量决定。
7. 【关键点 2】网络深度指卷积层堆叠数量，影响特征抽象层级。
8. 【关键点 3】深度增加提升表达能力，但需权衡计算量和过拟合。
9. 【关键点 4】深层网络感受野更大，利于全局特征提取。
10. 【关键点 5】残差连接等机制可缓解深层网络训练难题。
11. 【易错点 1】混淆通道深度与网络层数，二者概念不同。
12. 【易错点 2】忽视深度增加带来的计算和内存开销。
13. 【易错点 3】未考虑过拟合风险，盲目增加深度。