卷积网络和传统网络的区别
左边是传统网络，右边是卷积网络，可以看到传统网络只是提取了特征，而卷积网络是三维的处理方式。
卷积做了一件什么事
最左边的就好比一个图片，一个图片各个部分的特征不一样，将其划分成若干，然后对每一块进行特征提取。
就相当于一个5x5的图片，划分成9个特征区域，3x3个一组，根据输入的x的特征，还是找最好的权重参数矩阵，使得这个特征定义完之后效果最好。
右边的可以叫做特征图，在特征图中，每个灰色部分都是当前得到的一个结果，每个卷积都得到一个小区域，蓝色的图的灰色部分，
每个区域得到的特征是不一样的，然后后续计算得到特征值是多少。
卷积特征值计算方法
看这个图，
输入值是一个7x7x3的，对应的每一个矩阵都是7x7的，有三个通道，三个分别为RGB三层。第二个是特征提取，
而且他们的第三个维度要相同，两个都得是3，
每3x3个区域进行一个区域的选择，右边的3x3是一个卷积核
如果是4x4x3的，左右边都得是4x4的，多大的特征对应于一个特征值。
每个像素点的值都是不一样的，所以提取的每个特征也不一样，需要计算，就是将每个对应的值相乘再相加，还有个偏置项b就是默认值1 ，这样一个区域最后对应的特征值是3，
3就是最后的第一个输出值。
得到特征图表示
如果特征提取有多个的话最后的特征图也有多个。多个卷积（f1 ...f100）核就对应多个特征图
再回到上面特征计算的图中，
这个卷积核的规格和第一个是相同的，就是说，对同一个通道层进行卷积的时候，维度是一样的。可以看到，第二个的结果和第一个不是相同的，
当计算完第一个区域之后就可以计算第二个区域
就跟最开始说的那个蓝色的图的区域是一样的，
下一次也是一样的，移动单元格的大小可以自己设置。当每个都计算完之后，最后的结果也就出来了。
步长与卷积核大小对结果的影响
进行多次卷积才能得出想要的。
步长：
步长为1的卷积：
步长为2的卷积：
可以看到，步长为1的卷积他的特征值比较丰富，但是效率很低，一般处理图像之类的任务。
步长为2的卷积比较潦草，一般处理文本类的信息。
而卷积核一般就设为3x3的
边缘填充方法
还是根据上图
可以看到有个+pad 1 这个是填充，我们可以看到，中间是蓝色的而边界都是灰的都是0，这是为什么呢
可以看到，当步长为2时，我标黄的区域进行运算了两次，他的贡献就大，而其他边界的区域就贡献不大，如何 避免这个问题呢，那就需要填充，就是在边界加一圈0，为什么加0不加1呢，因为1能对结果造成影响，避免不必要的麻烦。
特征图尺寸计算与参数共享
像这个，我们是怎么算出来32的呢，有公式的。
参数共享
圈起来的就相当于两个卷积核，是不同的，但是 他们是不变的，
相当于这个，每个区域对应的卷积核不变
池化层的作用
池化层就是用来压缩的，在原有数据进行筛选
最大池化选最大
在卷积神经网络中，数越大越重要
整体网络结构
前面卷积压缩卷积压缩，就是特征提取，得到的是一个特征图，是一个立体的，在这个立体中该怎么进行分类任务，就交给全连接层FC了。
但是对应于FC的一个矩阵 [ , 5 ] 前面的值是连接提取出来的特征，但是它连接不了立体的，这该怎么办呢，这就需要将提取出来的特征图拉成一个特征向量，
那FC就是 [ 10240 , 5 ] ,就是10240个特征转换为预测的5个类别的概率值。
在最后的池化和全连接层之间还有一个拉长的操作，就是拉长向量
带参数计算的才能叫做一层，所以只有卷积和最后的FC有参数计算，所以这是个7层神经网络。
特征图变化：
感受野的作用
