具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息,每一次收集的时候都只是收集一小块像素区域,
然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在
以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息结构。最后我们再把
这些信息套入几层普通的全连接神经层进行分类。
池化：
池化 (pooling) 就可以很好地解决神经元丢失某些信息. 池化是一个筛选过滤的过程, 能将 layer 中有用的信息筛选出来, 给下一个层分析.
同时也减轻了神经网络的计算负担 . 也就是说在卷积的时候, 我们不压缩长宽, 尽量地保留更多信息, 压缩的工作就交给池化了。
卷积过程中，输入层有多少个通道，滤波器就要有多少个通道，但是滤波器的数量是任意的，滤波器的数量决定了卷积后 featuremap 的通道数。
输出时对多个通道加和，然后得出一张feature map.