卷积原理
概念与参数
Input Volume：输入，通常是像素矩阵，（7 * 7 * 3个通道）
Filter：卷积核，是一个矩阵（3 * 3 * 3个通道），可以有多个
Output Volume：输出
pad：空洞，在输入矩阵周围增加一圈0，目的是更好地提取边缘特征
stride：步长，卷积核每次移动的长度
卷积核个数：一个卷积核对应一个特征图
神经元：输出特征图中一个元素叫做神经元
感受野：输出特征图中一个神经元在原始图像上能感知的大小
偏置：一个卷积核对应一个偏置，在卷积完之后给输出特征图每个加上
卷积结果计算公式
P是pad厚度，H1是输入矩阵长度，
$$
P：pad厚度，F_H：卷积核长度，F_w：卷积核宽度，S：步长，H_1：输入长度，W_1：输入宽度
$$
长度：
$$
H_2 = \frac{H_1 - F_H + 2P}{S} + 1
$$
宽度：
$$
W_2 = \frac{W_1 - F_W + 2P}{S} + 1
$$
卷积层
所谓“层数”，是连续做卷积操作的次数。通常控制一次卷积的输入输出维度是不变的，因此层数无限制。
池化层
把卷积层得到的特征图缩小，目的是为了提高运算速度，会损失一些特征。为了弥补这部分特征，往往在池化后会将特征图的个数翻倍
池化需要一步一步去做，一次性不要缩的太小
224 * 224 * 64 -> 112* 112 * 64
最大池化 MAX POOLING
特征图某区域内取出最大值来代表这个区域的特征
全连接层
把特征图拉长成向量，wx+b，得到分类结果
全连接层通常只用于最后的输出，而不用于提取特征
其它细节
标准化：在最初预处理数据和每次卷积操作后进行，和卷积层是绑定的，不加的话可能导致深度学习出现严重偏离。
经典网络
Resnet网络：残差学习
解决深层网络效果反而减弱的问题，在卷积后加上原来的权重参数，“至少不比原来差”
