笔记整理——对于卷积的理解
1、首先理解CNN中卷积本质：图像中不同数据窗口的数据和卷积核（一个滤波矩阵）作内积的操作叫做卷积。其计算过程又称为滤波（filter)，本质是提取图像不同频段的特征。
2、什么是卷积核：也称为滤波器filter，带着一组固定权重的神经元，通常是n*m二维的矩阵，n和m也是神经元的感受野。n*m 矩阵中存的是对感受野中数据处理的系数。一个卷积核的滤波可以用来提取特定的特征（例如可以提取物体轮廓、颜色深浅等）。通过卷积层从原始数据中提取出新的特征的过程又成为feature map(特征映射)。filter_size是指filter的大小，例如3*3； filter_num是指每种filter_size的filter个数，通常是通道个数，通过卷积核运算得到最终的output volumn
3、
计算例子：
通过这个图像可以很好地理解卷积的运算，有两个filter用于提取，每个filter对应每个通道有不同的权重，同时有三层，每一层与对应的filter 做内积运算，之后再加上bias，此处bias可以理解为ax+b中的b，不同的filter 对应不同的bias
4、多个滤波器叠加便形成了卷积层
对几个参数的理解：
1、深度depth：神经元个数，决定输出的depth厚度。同时代表滤波器个数。
2、stride 步长：决定滑动多少步可以到边缘
3、填充值zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑倒末尾位置，通俗地讲就是为了总长能被步长整除。
注意关键理解图像中卷积的计算过程