卷积神经网络

边缘填充主要是为了那些在角落或者边缘区域的像素点在输出中采用较少，意味着丢掉了图像边缘位置的许多信息。W0，W1为权重，output为特征图。


H1为输入特征图大小，FH为卷积核大小，2Pad为填空一圈0，就加2pad。
池化层主要是做一个压缩，把H和W压缩。一般就是压缩原来的一半。因为经过太多次卷积，会得到过多的特征，所以进行压缩。

最大池化：每个区域选择最大的。
大致流程如下所示：

假设x为第十九层，然后保存他的参数信息。将x经过20，21层训练后的结果F(X)。若F(x)结果不理想，则这两层的权重置为0。使得H(X)为原来保留的参数信息，继续原来的参数进行训练。这样得到的结果至少不会比现在差。第二块绿色是由第一块33的区域计算而来。第三块由第二块33的区域计算而来，而是第一块5*5的区域计算而来。感受野会随着层数增加，而越来越大。