图像卷积运算：对图像矩阵与滤波器矩阵进行对应相乘再求和运算，转化得到新的矩阵。（convolution）
作用：快速定位图像中某些边缘特征。
卷积神经网络的核心：计算机根据样本图片，自动寻找合适的轮廓过滤器，对新图片进行轮廓匹配。
池化层实现维度缩减：池化即按照一个固定规则对图像矩阵进行处理，将其转化为更低维度的矩阵。（保留核心信息的情况下实现维度缩减）
最大法池化（Max-pooling）
平均法池化（Avg-pooling）
卷积神经网络：把卷积、池化、mlp先后连接在一起，组成卷积神经网络。
激活函数：Relu函数
作用：1. 使部分神经元为0，防止过拟合
2. 助于模型的求解
Relu函数
池化---->全连接---->mlp
卷积神经网络两大特点：
1. 参数共享（parameter sharing）：同一个特征过滤器可用于整张图片
2. 稀疏连接（sparisity of connections）：生成的特征图片每个节点只与原图片中特定节点连接
卷积运算导致的两个问题：
1. 图像被压缩，造成信息丢失
2. 边缘信息使用少，容易被忽略
图像填充（padding）：通过在图像各边增加像素，使其在进行卷积运算后维持原图大小。
padding
经典的CNN模型：LeNet-5、AlexNet、VGG-16
LeNet-5
AlexNet
LeNet-5论文
AlexNet论文
VGG-16
“卷积”理解：
1. 不稳定输入 稳定输出 求系统存量；
2. 周围像素点如何对当前点产生影响；
3. （过滤器）一个像素点如何试探，如何筛选图像的特征。
