卷积化定义

卷积化具体实现

零填充

卷积后矩阵大小$$N-F+1$$N为原矩阵阶数，F为过滤器矩阵阶数

边缘未填充

边缘填充

输出比原图大，$P>\frac{F-1}{2}$，原来的目的是精简输入特征，输出比原图大反而增多了特征。

步长

F是过滤器

多卷积核

原图像有三通道，过滤器也要有三通道，6-3+1=4

池化层(Subsampling)

没有参数，只是根据步长提取最大值or平均值

• 最大池化
  

窗口大小2*2，步长为2，最终可以使卷积层得到的结果缩小一倍，
比如$28\ast 28\ast n-->14\ast 14\ast n$

• 平均池化
  

全连接层

相当于浅层神经网络，处理扁平化后的特征。

convolution 卷积
Pooling 池化
flatten 扁平化（将池化的结果变为1*n的矩阵）
Fully connection 全连接