目录
一.卷积神经网络的组成
二.卷积层
目的：
参数：
计算公式
卷积运算过程
三.padding-零填充
1.Valid and Same卷积
2.奇数维度的过滤器
四.stride步长
五.多通道卷积
1.多卷积核(多个Filter)
六.卷积总结
七.池化层(Pooling)
八.全连接层
都看到这里了，点个赞把！！！！
对于普通的神经网络，假如一张图片像素是1000*1000*3的格式，建立一层10个神经元的神经网络，那么计算次数就为1000*1000*3*10，三千万次的计算才能处理一张图片，而且害很难达到理想的效果，更别说建立多层的神经网络了。所以引入了卷积神经网络
一.卷积神经网络的组成
卷积神经网络由一个或多个卷积层，池化层以及全连接层组成。以其他深度学习相比，卷积神经网络在图像等方面有更好的结果。卷积神经网络可以使用反向传播算法进行训练。
卷积神经网络的整体结构为：
输入层：输入图像等信息
卷积层：用来提取图像的底层特征
池化层：防止过拟合，将数据维度减小
全连接层：汇总卷积层和池化层得到的图像的底层特征和信息
输出层：根据全连接层的信息得到概率最大的结果
二.卷积层
目的：
卷积运算的目的是提取输入的不同特征，某些卷积层可能只能提取一些低级的特征，如边缘，线条和角度层级，更多层的网络能从低级特征中迭代提取更复杂的特征
参数：
size：卷积核/过滤器大小，选择有：1*1 ， 3*3 ， 5*5
padding：零填充，Valid与Same
stride：步长，通常为1
卷积核：比需要提取特征的图片大小要小或者相等，卷积核通过在输入的图片中按照步长不停的一定，每一次移动都进行一次的乘积求和，作为此位置的值
计算公式
计算后得到一个新的矩阵，这个矩阵也被称为特征图
卷积运算过程
对于一张5*5的单通道图片，使用一个3*3大小的卷积核运算得到一个3*3的运算结果
卷积结束后，图片变小了，假设N为图片大小，F为卷
