卷积神经网络

1、卷积核 

    卷积核的深度应该和被卷积的图像的深度一致；

    卷积后输出的特种映射的深度和卷积核的数量相关，有n个卷积核参与卷积操作，卷积后的特征映射的深度就是n。

2、卷积操作

    卷积操作，内积操作，即卷积核对应元素与被卷积图像对应元素相乘后再相加，得到一个值；然后各个通道得到的值相加后再加上偏置值，然后送入到激活函数进行非线性变换。

3、pading操作

    为了更好地利用边缘特征，可以使用padding操作。为什么呢？

    假如没有padding操作，步长为1的情况下，边缘的像素比中间的像素少提取了一次（对于一次横向滑动），同理纵向。这样的情况下就会弱化边缘特征的作用。

    所以，为了更好公平地对待边缘特征，可以使用padding，一般边缘pad的像素值为0的，因为我们的目的是想更好地利用边缘特征，pad值为0的话，与卷积核对应值相乘为0，对最终结果没有影响（其实是有影响的，因为边缘特征也提取了同样次数啊，哈哈哈哈）

4、卷积后输出特征映射的大小的计算：

       h = (input_h+2*pading-filter)/stride +1

       w = (input_w+2*pading-filter)/stride +1

5、卷积神经网络的特性：权重共享

6、pooling层

    pooling层没有权重参数，

7、卷积层的前向传播：

     卷积层的反向传播：

8、pooling层的前向传播：

     pooling层的反向传播：