卷积层，池化层，全连接层，BN层，还有Dropout层

— 卷积层

1.目前值得关注卷积新操作： 参考链接

2.卷积的计算：

上面提到了用1 * 1的卷积的好处，可以减少参数达到同样的效果，首先要先了解卷积的参数计算。首先是我们的卷积层的定义一般有卷积核的大小和输入的深度以及想输出的深度。具体操作呢？就是假设我们用1010256的输入，我们用11的去做处理，假设输出64深度，那我们应该表达成为我们用了64个11256的卷积组去做卷积操作。最后我们得到的就是101064。如果使用33的话，那么应该表达为我们用了64个3*3的卷积组去做卷积。这才能体现出来我们卷积是左右上下的操作联合，其实就是一种局部的全连接，这也是为什么我们可以用全卷积去替代全连接。这一部分的操作会体现在我们OCR部分，所以说OCR的时候我们会在强调一下。

所以我们的卷积的参数计算就是HWinput*output

卷积的大小计算呢？

输出的大小与是否填充，填充数量以及步长有关。

3.卷积层的反向传播 ：
可以参考我的另一篇文章，这里不做详细的分析。

4.卷积的python复现
https://zhuanlan.zhihu.com/p/40951745
https://zhuanlan.zhihu.com/p/33802329

—池化层

池化层的操作：最大就是去最大&#