padding
步长
卷积
卷积核（也称“滤波器”，filter）
feature map
归一化算法：x=(x-Min)/(Max-Min); 归一化之后可以保证每一个x都在[0，1]的区间内。
网络结构
主要包括卷积层、池化层。细节：滤波器、步长、卷积操作、池化操作等。
- 网络结构描述：对于一幅图片一般会使用多个卷积核（滤波器），将它们统一放到卷积层里来操作，这一层中有几个滤波器，就会得出几个feature map，接着经过一个池化层（pooling），将生成的feature map缩小（降维）。下图为神经网络中一个标准的卷积操作组合，channel的个数代表卷积层的深度；池化层只有一个滤波器（filter），主要参数尺寸大小（即步长大小）
- 卷积网络的完整结构
一个卷积网络里包括5部分：输入层、若干个卷积操作和池化层结合的部分、全局平均池化层、输出层
- 输入层：将每个像素代表一个特征点输入进来。
- 卷积操作部分：由多个滤波器组合的卷积层。
- 步长：卷积操作的核心。
- 窄卷积：原始图片N1*N1, 卷积核N2*N2,卷积后图像 [(N1-N2)/S+1]*[(N1-N2)/S+1]
- 同卷积
- 全卷积
- 反向传播
- 核心步骤：（1）反向将误差传到前一层（2）根据当前的误差对应的学习参数表达式，计算出其需要更新的差值。
- 多通道的卷积
- 通道（channel）指图片中每个像素由几个数来表示。
- 在卷积网络中，通道分为输入通道和输出通道
- 输入通道：对于中间层的卷积，输入通道就是上一层的输出通道的个数
- 输出通道：想要输出几个feature map就放几个卷积核，就是几个输出通道
- 池化层：将卷积结果降维
- 池化的主要目的是降维，即在保持原有特征的基础上最大限度地将数组的维数变小。
- 均值池化
- 最大池化
- 反向传播
- 全局平均池化层：对生成的feature map取全局平均值
- 输出层：需要分成几类，相应的就会有几个输出节点。每个输出节点都代表当前样本属于的该类型的概率。
- 池化与卷积的算法不同：
- 卷积是将对应像素上的点相乘，然后再相加
- 池化中只关心滤波器的尺寸，不考虑内部的值。算法是，滤波器映射区域内的像素点取平均值或最大值。