为什么需要卷积？为什么下采样过程中channels不断增加？

        原始图像的特征信息是最完整的，但是为啥还要卷积呢？因为原始图像比如1024乘768的图像，算一下多少个像素点，如果作为输入，下一层（隐含层）有10的5次方个神经元的话，再算算有多少个参数，但是如果用卷积核来卷积，即便用了100多个卷积核去提取特征，参数比起我刚才说的原始图像减少非常非常多，这就是我们需要CNN的原因。还有就是既然卷积了，换句话就是缩小了图像，那为了保证图像精度最大程度上不丢失，就需要多个卷积核，这样就可以保证在降维的同时不失真。然后CNN的层数越多，越深，理论上整个网络中的参数也就越多，学习到原始图像的特征也就越全面。

       通过pooling 或 conv strides=2 下采样了以后，输出的长宽变小了，为了防止特征信息丢失，输出通道数要加倍。

       卷积层的作用本来就是把输入中的特征分离出来变成新的 feature map，每一个输出通道就是一个卷积操作提取出来的一种特征。在此过程中ReLU激活起到过滤的作用，把负相关的特征点去掉，把正相关的留下。输出的通道数越多就代表分理出来的特征就越多，但也可能存在重复的特征，毕竟是一个概率问题。

       如果特征图像被缩小了一半，又不增加通道数，那么特征信息就会有很大概率被ReLU滤掉导致丢失。