CNN可以用卷积提取特征的根本原因

特征：

        首先要了解什么是特征，特征简单来说就是分辨识别物体的“钥匙”   ，模型通过提取的特征判断你所给出的图片是否具有这些特征。

卷积：

        卷积就是进行特征的提取操作必不可少的部分，卷积可以将图片的特征进行提取离不开卷积的操作方式。

        用卷积进行特征提取，在本质上就是在上一个图像中进行很多个部分的截图，每个截图都有自己需要放大强调的内容，这个放大强调的内容就是特征，其中“截图”的个数就是每一层卷积核的个数，也可以理解为每一层的神经单元个数！

原输入

对每个细节特征进行放大截图

（由于环境限制，这里的“截图”是尺寸一样的，且不应该只是单纯的截取图中的一部分，是需要和卷积核作用的，这里只是举例子表示卷积结果是从图像中一些细节的放大）

        每一层输入都有长、宽、深，每一层的深度（如图2的深度为4，图1的深度为1）就是每层卷积核的个数，也就是每层神经元的个数。

每一层所提取的多个细节的“截图”都是所提取的特征。

思考：

        对于Unet模型来说，是否把图像提取的所有特征都投入使用了。如下图（偷的图）可以看出把每层卷积提取出来的特征都通过copy and crop 使用上了，所以我个人认为，这就是为什么Unet可以实现所需要的效果。

        而神经网络的误差逆传播修正卷积核权重的方式，就相当于橡皮泥（最开始就是一块长方体，你需要按照图片的样式逐步给橡皮泥捏成目标形状），只是捏橡皮泥的人不是你，而是误差逆传播公式代替了你，自动捏出目标形状。