卷积神经网络最具特色的地方在于引入了卷积层，这使得数据量降低，进而在计算能力核内存有限的情况下能够实现深层的网络。
卷积核的操作是受生物启发的，它具有局部感知功能。
卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度：
例如：Size为3的卷积核，如果step为1，那么相邻步感受野之间就会有重复区域，重复区域是两列的数据；如果step为2，那么相邻感受野的重复区域会更少；；如果step为3，那么相邻感受野之间没有重复区域；如果step大于3，那么相邻步感受野之间会有一道大小为1的缝隙，从某种程度来说，这样就遗漏了原图的信息，直观上理解是不好的。
另外，当卷积核step为1时，输出矩阵Size会和输入矩阵Size保持一致（加padding填充周围中后）；而卷积核step为2时，由于跨步会导致输出矩阵Size降低为输入矩阵Size的一半。由此会产生一种类似“池化”的效果，利用这一特性可以代替池化层。
例如在ResNet中，每隔几层Layer卷积核step就设置为2，以此替代池化层来对图形的Size进行压缩，完成某种程度上的降维同时减少计算量，而中间层Layer卷积核的大小依然保持为1。
而在上述ResNet的支路中，跳层前后的主路矩阵Size可能会不一致（由于上述压缩导致），这时候通过调整支路卷积核step的大小就能将层前主路矩阵映射成和层后主路矩阵一样的Size，以此保持tensor的正常流动。
当卷积核的step越大的时候，提取的特征会越少，step越小的时候，提取的特征会越多。
【卷积核的大小一般为奇数*奇数】 1*1，3*3，5*5，7*7都是最常见的。这是为什么呢？为什么没有偶数*偶数？
Stride的作用：是成倍缩小尺寸，而这个参数的值就是缩小的具体倍数，比如步幅为2，输出就是输入的1/2；步幅为3，输出就是输入的1/3。以此类推。
