卷积操作的过程、参数说明、用CNN实现分类任务的代码

* 因为自己初学时候混淆过CNN中图像尺寸变化与通道数变化，本文从理论=>使用，根据自己遇到的问题对相关概念作出说明

卷积-相关理论

笼统地说，卷积操作是通过滤波器对原图像进行特征提取的过程

其中涉及卷积核（kernel），步长（stride），填充（padding）等概念

最简例子

初次接触CNN时一般采用如下的例子来理解卷积操作的核心内容（即滤波器在图像上作用的过程）

假设现在有一张像素为5x5的图像与一个卷积核为3x3的滤波器，并且我们先考虑stride = 1；padding = 0的情况

 【第一步】：将滤波器”放到”图像左上角，将对应位置的值相乘后得到3x3的矩阵，再对矩阵内所有元素求和，得到第一个值【150】

注：具体计算规则可以变化，此处相乘求和为常见处理方式

* 若先进行填充处理，如padding = 1，padding_mode = ‘zeros’，则如下图所示，从padding后图像的左上角处开始操作：

 由于stride = 1，【第二步】我们将滤波器向右边移动一格，进行计算，得到第二个值【150】