1：卷积
卷积操作在信号处理中的定义
故卷积操作：对应单元元素相乘再相加
（1）卷积核
（1.1）锐化卷积核
（1.2）模糊卷积核
（1.3）边缘检测
2：卷积神经网络
（2.1）卷积操作
【注】
Kernel_channels:卷积核通道，表示使用的卷积核的种类个数
Input_channels:输入通道，如果时输入为图片：彩色Input_channels=3,灰色=1.
Kernel_size表示卷积和的shape大小例如：3*3
stride:表示移动的步长
padding:表示填充的行或列数：如果左右都填充2列，则等于2。
（2.2）Multi-Kernel多个卷积核
【注】
x:[b,3,28,28]中第1，2，3，4维度表示图片的数量、图片的channels即RGB三个通道、图片的大小（长宽）
one k:[3,3,3]中的1，2，3维度分别表示：与x中的2维度的大小相等且含义相对应（也即代表map数量）、2，3维度表示卷积核的大小（kernel_size）
multi-k[16,3,3,3]中的1，2，3维度分别表示卷积核的种类数量（Kernel_channel）、2维度表示与one k中的维度表示相同
bias：[16]其为偏置：1维度与multi-k中的第一维度对应，值相等。
out:[b,16,28,28]中的维度表示：1维度表示图片的刷数量、2维度表示卷积核的种类数量（Kernel_channel）、3，4维度表示图片的大小
[注]multi-k:可以用weight、Filter、kernel表示
[注]每一种卷积核在每一个map上（等于x第2维度的大小：也即是图片对应的3个通道）卷积操作之后（对应相乘再相加），生成的map再进行对应相加，生成一种卷积核对应生成的一个最终的map。（如：最后的两张绿色map）
例子：邮政编码识别时的一个网络：LeNet-5
(2.3)pytorch实现一个二维图片的卷积运算
方法1(类风格的实现)：nn,Conv2d
[注]nn.Conv2d(pa1,pa2)pa1表示input的channel(假如输入的是一张彩色图片，channel=3),pa2表示kernel（卷积核）种类的数量，kernel_size表示卷积核的大小，stride表示步长，padding表示左右两侧需要填充的列数。
[注]首先使用nn.Conv2D()实例化一个卷积层,然后调用类的实例化layer()完成前向传播（这里不推荐直接调用forward()方法）。
[注]之所以推荐使用类的实例化layer()，是因为会先调用hooks,然后调用forward不仅可以达到目的，还可以完成pytorch自带的功能建设。
[注]通过实例化的类，我们可以查看其内部的参数weight,bias。由于需要迫使分类，故参数w和b需要具有梯度信息，才能实现更新，故被自动设置为具有梯度。
方法2(函数风格的实现):
