卷积神经网络-基础版

二维卷积的神经网络，
对于一个图片，通道数为 1 像素值为28×28 此作为输入
张量表示为：1×28×28 channe * width * high

通过卷积层能够保留图的空间特征，按照原始的空间结构进行保存。对应的象素位置的值，进行一些变换，并不会影响原始图像的空间特征。
此也是卷积的作用。

通过卷积之后得到图像的输出。通道数、宽度、高度均有可能会变。

下采样：进行2×2的下采样，通道数不会发生变换，但是宽度和高度有可能会发生变化。
下采样的目的:： 对输出的特征maps（图）较少其中的元素数量，降低运算的需求。

卷积-下采样-卷积-下采样-。。。。最终转换成10维的线性空间。

注意：输入张量的维度—输出张量的维度

卷积通过某种运算，进行某种特征的提取。
卷积核是如何进行检测特征的？
卷积+下采样 == 特征提取器

输入特征—>提取完特征， 转换成向量—>利用全连接网络，进行分类。

图像—栅格图像—象素值构成

channel 通道：RGB
取块：

拿出图像块（patch）—进行卷积操作—操作之后C、W、H 可能都会变，

取块==从左上角（图像原点）依次滑动取块（根据卷积核的大小），直至获取完全，对每一块进行卷积运算；得到输出的卷积结果，将输出结果进行拼接，得到最终的新的patch，

** 卷积运算过程：**

对于单通道卷积：根据卷积核大小，在输入图中画出3*3的窗口，与核中的元素做数乘（对应元素相乘最后在求和）；在进行移动，重新进行数乘运算。

对于多通道卷积：

几个通道对应几个卷积核，且卷积核不相同。分别做卷积，再累加求和。

输入的高度、宽度等于5 ----- 输出的高度、宽度等于3
怎么得来的：因为第一次从原图中拿到的块，是4为中心，舍弃掉了一行一列，所以3*3的卷积会减去 左右上下各减一。

1、卷积核（本质是权重）channel数量与输入通道有关，一一对应的。

2、若想要获得m个channel（即输出的通道数），则需要m个卷积核。

卷积和的大小 W、H有自己来设定。共享权重。
也就是说，用一个卷积核滑动进行取块并进行卷积时，采用的都是同一卷积核，即使用的都是同一组权重，此即：共享权重机制。

卷积核的尺寸选择：（构建卷积核）

做卷积时 涉及：1、padding

做卷积时 涉及：2、stride （步长）

卷积运算移动的步长，能够有效的降低特征图像的宽度以及高度

做卷积时 涉及：3、下采样：池化层

池化层是没有权重的 即 只需知道2×2的尺寸

最大池化层：根据池化层的尺寸，对特征图进行划分，取其中最大值作为结果值，拼组成新的特征图。（此操作中，未涉及通道，所以，通道数是不会发生变化的）

简单卷积操作

确保维度一致。