**卷积神经网络（CNN） 卷积层和池化层**

卷积神经网络（CNN） 卷积层和池化层
（1）卷积层：用来进行特征提取，假设输入图像是32*32*3，3是它的深度（即R,G，B），卷积层是一个5*5*3的filter（感受野/滤波器）。感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图（使用两个filter将得到两个特征图）；通常使用多层卷积层来得到更深层次的特征图。
输入图像和filter的对应位置元素相乘再求和，最后再加上b（偏置值）
输入大小为:W1*H1*D1
需要指定的参数：fiter个数（K）。filter大小（F），步长（S），边界填充（P）
输出：W2=(W1-F+2P)/S+1
H2=(H1-F+2P)/S+1
D2=K(每个filter训练出一个feature map)
（2）池化层：池化层夹在连续的卷积层中间，用户压缩数据和参数的量，减少过拟合。池化层用的方法有Max pooling 和average pooling，而实际用的较多的是Max pooling。如图所示：

直接将每个2*2的窗口选出最大的数作为输出矩阵的相应元素的值。