卷积层用来提取特征，而池化层可以减小参数数量。
卷积层
工作原理：我们是使用卷积核来提取特征的，卷积核可以说是一个矩阵，假如我们设置一个卷积核为3*3的矩阵，而我们图片为一个分辨率为5*5的图片，那么卷积核的任务如下所示：
从左上角开始，卷积核就对应着数据的3*3的矩阵范围，然后相乘再相加得出一个值，按照这种顺序，每隔一个像素就操作一次，我们就可以得出9个值。这9个值形成的矩阵被我们称作激活映射 activation map，就是卷积层的工作原理。
卷积层还有另外两个重要的参数 步长和padding
步长就是控制卷积移动的距离，卷积核都是隔着一个像素进行映射，我们也可以让它隔着两个 三个，而这个距离我们称作步长。
padding就是我们对数据做的操作。一般有两种，一种是不进行操作，一种是补0使得卷积后的激活映射尺寸不变。
卷积的目的是为了从输入中提取有用的特征。在图像处理中，有很多滤波器可以供我们选择。每一种滤波器帮助我们提取不同的特征。比如水平 垂直 边角线边缘等等。
在CNN中，通过卷积提取不同的特征，滤波器的权重在训练期间自动学习。然后将所有提取到的特征组合以做出决定。
卷积的优势在于 权重共享和平移不变形。同时还考虑到了像素空间的关系。
在深度学习中，卷积是元素对元素的加法和乘法。
在很多应用中，我们需要处理多通道图片。典型的例子就是RGB图像。
卷积网络层通常由多个通道组成，每个通道描述前一层的不同方面。
常见的两个卷积层设置问题
self.conv1=nn.Conv2d(3,6,5)
问题1：为什么是cove2d？
cove1d:用于文本数据，只对宽度进行卷积，对高度不进行卷积
cove2d:用于图像数据，对宽度和高度都进行卷积
问题2:为什么卷积核大小5*5写一个5
Conv2d输入通道数，输出通道数，kerner_size长和宽，当卷积核为方形时，只写一个就可以了，当卷积核不是方形时，长和宽都要写。
self.conv1=nn.Conv2d(3,6,(5,3))
问题3：池化层的作用
maxpooling有局部不变形而且可以提取显著特恒的同时减低模型的参数，从而减低模型的过拟合。因为只是提取了显著特征，而舍弃了不显著的信息，随着参数减低，从而减低了过拟合的产生。
