目录
卷积有什么作用？
卷积核
步长
填充
参数共享
池化
整体卷积流程
卷积有什么作用？
左图为BP神经网络，右图为卷积神经网络。BP网络训练连接线的参数，卷积训练卷积核的参数
卷积网络到底做了一件什么事呢？其实就是提取特征 ，那么又是如何提取的呢？
概括的来说：
输入一副h*w*c的图像，通过k*k*c的卷积核在原始图像上进行滑动，滑动的过程中对图像进行计算，得到新的特征图，周而复始。
比如下图输入大小为32*32的图像，通道数为R,G.B三个彩色通道，对每个通道使用3*3的卷积核进行滑动计算，具体的计算过程为对应位置元素相乘相加，放到对应位置，
注意，当分别对3个通道进行卷积完成后，每一个位置得到3个值，再把3个值分别相加得到一个值，作为提取到的特征。
以上是从数学角度对卷积在做什么进行解释，下面从更高的层面对卷积网络进行理解。
为什么卷积能提取图像特征呢？
举一个例子：每一个卷积核都可以被看做特征识别器，所谓的特征，是指直线、简单的颜色、曲线之类的东西，
我们使用一个训练好的7*7的卷积核对曲线进行提取，提取的过程就是上面介绍的。
对老鼠尾巴弧线进行提取
把弧线的像素和卷积核进行卷积，得到的数据为6600，数据比较大。如果在其他区域，则没有那么大的数值
经过多次卷积提取特征
卷积核
二维卷积公式：
图像进行卷积时候就是做的一个对应位置相乘相加
步长
卷积核在图像上每次滑动的长度，步长越小，提取的特征越细腻，步长越大，提取的特征越粗糙
填充
为了弥补边界特征被计算的次数较少的问题，加入0填充，在移动程度上缓解该问题，让网络能够更公平的对待一些边界特征
参数共享
多少个卷积核得到多少个特征图。
参数共享：用同样一个卷积核，对每个区域进行特征提取。
池化
池化层：特征压缩，下采样。有max poling(挑重要的），average poling。没有任何矩阵的计算
整体卷积流程
卷积神经网络卷积层池化层输出计算公式
层：带参数计算的才叫一层神经网络，下面网络一个7层
