1、卷积计算规则：
卷积核对应原图位置相乘再相加
需设定超参数：filters 卷积核个数、strides 步长、 padding 边缘补充 、
卷积
padding填充
最终输出featuremap， CNN深度就是featuremap的个数，对多维输入图像计算多个卷积核，得到多个featuremap输出叠加
多层卷积
2、大小卷积核对比
在AlexNet中有有11x11的卷积核与5x5的卷积核，但是在VGG网络中因为层数增加，卷积核都变成3x3与1x1的大小啦，这样的好处是可以减少训练时候的计算量，有利于降低总的参数数目。关于如何把大卷积核替换为小卷积核，本质上有两种方法。
a、将二维卷积拆分成两个连续一维卷积
11*11 = 121--------》1*11+11*1 = 22
b、将大二维卷积用多个连续小二维卷积替代
同样大的二位卷积核还可以通过几个小的二维卷积替代。
5*5 = 25 ——》 3*3+3*3 = 18
卷积核可替代的依据是感受野相同
感受野：卷积之后feature map中像素对应原图的像素面积
3、池化层
池化层紧跟卷积层后，对卷积后feature map进行下采样。
通常方法有：均值采样、最大值采样
均值池化
最大值池化
卷积神经网络的三个主要思想：稀疏连接、参数共享、平移不变性
CNN图片处理计算公式
H:高 W：宽 D：深度
Filters 数量K Filter大小F 步长stride S 零填充大小P
输出体积大小：H2 * W2 * D2
H2 = (H1-F+2P)/S+1
D2 = K
W2 = (W1 - F +2P)/S+1
