卷积神经网络（CNN）

一、卷积层

卷积层：提取特征

池化层：压缩特征

 这个只演示了一层

每个通道各自提取（R,G,B三个通道），整合（三层结果相加）

 padding是为了让边界点利用次数更多，padding = 1是边界填充一圈0（为什么添加0呢，因为0不会对原结果造成影响）

卷积核个数决定得多少个特征图，10个卷积核就是10个特征图

二、池化层

 maxpool最大池化是选择最大的权重，因为其是最好的特征，就没必要平均池化了（为什么要将最好的特征给平均了呢，没必要吧）

三、 

只有带参数的东西才能称为一层，例如conv和FC。Relu，pool不算，所以共七层

四、

1.Alexnet    2012年的

了解有这个东西就好，没什么用的网络 ，太老了，问题很大

2.vgg    2014年的  相比于Alexnet有很大改变

所有卷积核大小都是3*3

 池化层损失的特征，用下次更多数据填补，缺点是训练时间长，但精度比Alexnet高

 五、卷积核大小的影响

堆叠小的卷积核，参数少一些，而且训练过程还快一些，三次卷积可以增加三层relu，线性改变很多，权重不会改变

六、卷积神经网络简单代码实现