与全连接网络相比，卷积神经网络中因为有深度depth，所以网络更加立体。
比如，输入尺寸为32×32×3，过滤器filter是5×5×3的，最终得到的是特征图为28×28×2的。
注意：
1、过滤器的深度必须要与他连接的上一层的输入深度一致，因为输入深度为3，所以filter的深度也为3；
2、在卷积时候可以指定filter的个数，特征图中的2代表用几个filter进行特征提取，最终会得到2个特征图，特征图之间关联不大，分别代表不同的过滤器提取出来的信息，将特征压缩之后就得到了最终卷积之后的结果.
通过设置6个filter，得到最终的卷积结果是一个28×28×6的特征图。
卷积不仅可以在输入图片上进行，还可以在卷积之后的特征图上操作。例如，得到28×28×6的特征图之后，在此基础上，给定3×3×6（filter的深度与上一层特征图深度6一致）的10个filter，最终得到压缩后的深度为10的特征图。
输入尺寸为7×7×3，初始化filter1 w0的尺寸为3×3×3，代表在图像上以多大的尺寸进行特征提取，filter1分别对应于f11、f12、f13.我们的目的是进行前向传播和反向传播以调节这些w，使得最终的loss最小。
卷积操作对蓝色区域和红色区域中对应的值求内积wx，f11与输入的R通道上的蓝色框内的数值进行内积，f12与G通道内积，f13与B通道进行内积，得到f11=0，f12=2，f13=0，再加上初始化的偏置b=1，最终得到绿色框左上角的值3.
当filter滑动到现在的蓝色框的位置，再做与前一张图片步骤一样的操作。重复上面的步骤，就可以得到上面的绿色框。
下面的绿色框对应的是filter2进行的卷积操作，如filter2 w1，再次对输入图像进行特征提取，将两个特征图堆叠在一起得到两个特征图。
