深度学习理论向应用的过渡课程【北京大学_TensorFlow2.0笔记】学习笔记（九）——TensorFlow描述CNN：感受野、全零填充、卷积计算层、BN、池化、舍弃

若某层模型的特征提取能力不足，可在这一层多用几个卷积核以提高这层的特征提取能力。

每个小颗粒存储着一个待训练参数。在执行卷积计算时，卷积核里的参数固定。反向传播时，小颗粒中的待训练参数会被梯度下降法更新。卷积就是使用了立体卷积核，实现了参数的空间共享。

卷积过程如下：

单通道卷积

三通道卷积

几个概念

1、感受野

下图上方5*5的卷积核和两个3*3卷积核最后得到的1*1特征向量所对应的原始输入图片的感受野均为5*5。那究竟如何选择卷积核？见下图下方。