卷积操作
类似于加权求和来表征特征，卷积核就是权重
上图是一个 7*7*3 的图像， 由2个 3*3*3 的卷积核进行卷积操作后得到的结果
1. 卷积核的通道维度C是和输入图像通道维度C保持一致
2. 输出图像的通道维度是和卷积核的个数保持一致
3. 输出同学的H和W计算公式如下：
O=（H-F+2P）/ S+1
H:表示输入图像的H或者W
F:表示卷积核维度，一般为3或者5
P:表示padding的维度，即原始图像左右拼接0元素的长度
S:表示步长,即卷积核移动步长
4. 如果有池化操作，H和W变化公式:
H = (H - F）/ S + 1
卷积的优势
- 局部连接，减少参数数量
- 参数共享：减少参数数量
池化操作
CNN要结合池化和激活函数,才有更强的表征能力,池化主要是降维作用。
池化操作只改变H和W，不改变通道数C
感受野
最后一层的特征能够包含第一层原始特征多少范围的像素点。
CNN整体结构
- CNN结构一般会有多个卷积层
经典网络
图像分类识别
- Alexnet
- VGG
- Resnet
