利用卷积处理图片的实例（图像模糊，锐化...）

首先明确：卷积神经网络的训练是为了得到卷积核，方便之后进行其他操作

一. 卷积神经网络的特点

1、局部感知：

一般认为图像的空间联系是局部的像素联系比较密切，而距离较远的像素相关性较弱，因此，每个神经元没必要对全局图像进行感知，只要对局部进行感知，然后在更高层将局部的信息综合起来得到全局信息。

2、参数共享：

在局部连接中，每个神经元的参数都是一样的，即：同一个卷积核在图像中都是共享的。（理解：卷积操作实际是在提取一个个局部信息，而局部信息的一些统计特性和其他部分是一样的，也就意味着这部分学到的特征也可以用到另一部分上。所以对图像上的所有位置，都能使用同样的学习特征。）卷积核共享有个问题：提取特征不充分，可以通过增加多个卷积核来弥补，可以学习多种特征。

3、采样(池化)层：

在通过卷积得到特征后，基于局部相关性原理进行亚采样，在减少数据量的同时保留有用信息。（压缩数据和参数的量，减少过拟合）（max-polling 和average-polling）

二. 多核卷积

通过权值共享可以了解到：用一个卷积核操作只能得到一部分的特征，但是得不到全部特征，这时候就必须引入多卷积核来尽可能多的获取图像矩阵的全部特征，即每个卷积核学习不同特征（卷积核不同的值）来提取原图特征。<