卷积神经网络和传统网络的区别：
数据是三维矩阵
整体架构：
输入层
卷积层（提取特征）
池化层（压缩特征）
全连接层
即：卷积层负责提取图像中的局部特征；池化层用来大幅降低参数量级(降维)；全连接层类似传统神经网络的部分，用来输出想要的结果。
卷积层
可以由RGB的概念作为理解：假设一个5x5x3的网络，由RGB三层堆叠在一起，R层为1，B层为2，G层为3。则最终得到结果为6。
（把三个通道的数据叠加在一起）
对每个区域来说，做特征提取，得到特征值。
具体计算如上图：
（7x7x3：每层是7x7大小的，一共有三层）
Filter：卷积计算的权重。
Bias：相当于初始化每一层的特征值，在权重计算过后要加上初始化值，才能得到每层的特征值。
可以理解为使用一个卷积核来过滤图像的各个小区域，从而得到这些小区域的特征值。
特征图个数
特征图个数 = 卷积核个数
可以采用不同的卷积核，这样就会得到许多特征值，得到许多特征图，从而丰富特征值。
可以认为，每个卷积核代表了一种图像模式，如果某个图像块与此卷积核卷积出的值大，则认为此图像块十分接近于此卷积核。
滑动窗口步长
步长太大，会导致有些数据不会重复计算，会有疏漏；
步长太小，有些数据重复计算数据大，重复区域面积大。
可以通过下图感知区别：
卷积核尺寸
卷积核越大看到的图片信息越多，因此获得的特征越好
普遍使用3x3的卷积核。
大的卷积核带来的参数量和计算量也会较大，小的卷积核是可以替代大的卷积核的，比如3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5x5卷积核。
总的来说小卷积核的好处有：
- 减少计算量和参数量，加快模型训练；
- 可以添加更多卷积层，增强非线能力。
边缘填充
如果不使用边缘填充，会发生：输入图像与卷积核进行卷积后的结果中损失了部分值，输入图像的边缘被“修剪”掉了，这是因为边缘上的像素永远不会位于卷积核中心，而卷积核也没法扩展到边缘区域以外。
为解决这个问题，可以在进行卷积操作前，对原矩阵进行边界填充（Padding），也就是在矩阵的边界上填充一些值，以增加矩阵的大小，通常都用“0”来进行填充的。
池化层
作用：数据降维，避免过拟合。
之所以这么做的原因，是因为即使做完了卷积，图像仍然很大（因为卷积核比较小），所以为了降低数据维度，就进行下采样。
总结：池化层相比卷积层可以更有效的降低数据维度，这么做不但可以大大减少运算量，还可以有效的避免过拟合。
最大池化
选择最大池化的原因：特征值越大，表示越符合特征。
平均池化
在与最大池化的残酷战斗中惨烈败下阵来。因为容易被不符合的数据拉后腿…
全连接层
作用：输出结果
经过卷积层和池化层降维过的数据，全连接层才能”跑得动”，不然数据量太大，计算成本高，效率低下。
最后把矩阵转换为可以被全连接层计算的向量层。（贼拉长
计算
卷积结果计算公式
卷积参数共享
参考资料：
计算与理解：https://www.bilibili.com/video/BV1S64y1z7iX?p=68
卷积、填充、步长：https://zhuanlan.zhihu.com/p/77471866
代码学习：https://blog.csdn.net/weixin_43597287/article/details/97387801
https://zhuanlan.zhihu.com/p/112829371