定义一个卷积核：卷积核是一个小的矩阵

一、前言

　　通过上一篇文章，我们大概了解了卷积是什么，并且分析了为什么卷积能在图像识别上起到巨大的作用。接下来，废话不多话，我们自己尝试动手搭建一个简易的CNN网络。

二、准备工作

　　在开始的时候，我们首先概括一下卷积所需要进行的工作：

1. 定义一个卷积核：卷积核是一个小的矩阵（例如3x3或5x5），包含一些数字。这个卷积核的作用是在图像中识别特定类型的特征，例如边缘、线条等，也可能是难以描述的抽象特征。
2. 卷积核滑过图像：卷积操作开始时，卷积核会被放置在图像的左上角。然后，它会按照一定的步长（stride）在图像上滑动，可以是从左到右，也可以是从上到下。步长定义了卷积核每次移动的距离。
3. 计算点积：在卷积核每个位置，都会计算卷积核和图像对应部分的点积。这就是将卷积核中的每个元素与图像中对应位置的像素值相乘，然后将所有乘积相加。
4. 生成新的特征图：每次计算的点积结果被用来构建一个新的图像，也称为特征图或卷积图。
5. 重复以上过程：通常在一个 CNN 中，我们会有多个不同的卷积核同时进行卷积操作。这意味着我们会得到多个特征图，每个特征图捕捉了原始图像中的不同特征。

　　上图中间的矩阵就是所谓的卷积核，又称为滤波器。这个滤波器可以帮助我们观测到一定区域大小的像素信息，并且通过卷积计算，变成”低频“的信息特征，比如上面我们提到的一些图像的边缘，纹理等等。当权重系数（卷积核）的参数改变时，它可以提取的特征类型也会改变。所以训练卷积神经网络时，实质上训练的是卷积核的参数。如下图所示，是一次卷积计算的过程：