1、灰度图像，边缘检测， 使用核函数的缺点，图像的向量会不断的缩小，另外一个就是边缘的向量相比于中间的向量被覆盖的次数会少很多。解决这个的方法就是padding在图像的周围再添加一圈向量。
2、核函数通常是奇数维向量
3、卷积层，
池化层：选出某一区域的最大值，另外还有 平均池化，就是求一个小区域的均值
，全连接层：类似于普通的神经网络，将最后的比如120*1的列向量全连接映射到80*1的列向量上
4、通常是一个卷积层后面跟一个池化层，然后有多个卷积层和池化层，也可以多个卷积层后跟一个池化层。最后加上几个全连接层，最后再加上softmax函数等。
5、卷积神经网络的作用，简而言之就是在保持图片特征的前提下，缩小图片所含的元素，这个可以从向量逐渐变小看出来。这样也能减少神经网络所需要的参数，以便整个网络的快速形成。
6、le NET-5：针对灰度图训练出来的：
7、AlexNet:
8、vgg-16:
9、ResNets:残差网络
在第二层进行激活函数之前加上第一层的输入，一起输入到激活函数里。来运算。普通的网络随着层数的增加，训练错误也会增加，因此误差刚开始随着层数的增加，逐渐降低，但是当达到一定层数之后，误差就会逐渐升高，但是残差网络有助于改善这一情况。并且会减弱梯度爆炸以及梯度消失的情况。
10、1*1的卷积核可以帮助压缩图像的信道，即厚度
11、inception网络：
训练参数来决定使用哪一个卷积层，即给每个卷积层或者池化层加上权重，然后训练网络，让网络来决定使用哪一个卷积层，1*1可以减小计算规模，即在一般的卷积话层之间先加一个1*1的卷积层，过度一下（有时也称为瓶颈层，因为是利用1*1先缩小厚度，然后再使用卷积层增加到目标厚度，这样一层化为两层，原来的乘法运算被划为先分乘，再加在一起）。
12、inception网络：
13、迁移学习，当数据量非常小时，将前面的层冻结起来，只训练最后一层，或者冻结前面部分的层，训练后面一部分的层的参数，如果数据量大时，也可以使用别人训练好的参数作为初始化的参数，然后再来训练所有的层
14、目标检测：目标检测中y被定义为一个含有坐标的标签：
15、yolo算法，
16、交并比：lou
17、anchor box
18、R-CNN：区域卷积神经网络，