卷积神经网络

1.填充，使用增广的数据辅助边界的卷积运算

2.步长

3.思路，使用局部统计特征，如均值或最大值。解 决特征过多问题

4.构成：由多个卷积层和下采样层构成，后面可连 接全连接网络

论文里的经典案例:

卷积,采样层(池化),卷积,采样层,卷积,全连接层,输出

特点:

i.卷积时不进行填充（padding）

ii.池化层选用平均池化而非最大池化

iii.选用Sigmoid或tanh而非ReLU作为非线性环节激活函数

iv.层数较浅，参数数量小（约为6万)

图像卷积，计算时需首先上下、左右翻转后再做相关

卷积与采样的差异:前者逐步长进行,后者分块进行