卷积神经网络（CNN）不同于平面的全连接神经网络，是局部连接，立体化的。其保留了图像本身的尺寸和厚度，因此适用于图像处理
卷积神经网络有以下特定
1 在每一轮卷积中通过从局部到整体的过程提取特征
2 参数共享，同一卷积核可以识别图像里相似的特征
3 通过池化可以缩小图片，但不会影响识别效果
卷积神经网络识别过程：
1 输入原图
2 卷积提取特征
3 池化压缩图片
4 重复卷积和池化的步骤，不断提取特征形成特征图（feature map）
5 展开图片，放入传统全连接网络进行识别
在识别图片中，全连接网络会把图片拉平成一维，这么做会丢失图像尺寸信息，并且需要大量的输入神经元。卷积神经网络保留图片原有尺寸和厚度
卷积过程：
卷积神经网络的神经元为卷积核。卷积核在图中平移，和原图中覆盖的区域进行点积，得到的结果形成特征图
卷积核矩阵具体值相当于神经网络的权重，要通过训练调试
每一个卷积核可以提取的特征由卷积核的参数绝对，如果卷积核参数和图象某一处特征相似，提取的特征图会覆盖更多特征。在卷积过程我们一般使用多个参数不同的卷积核，可能其中一些提取横线，一些提取竖线，一些提取弯角，最后把每一个的特征图组合起来
卷积厚度：
厚度（depth）指的是每一个像素的通道数，如灰度图厚度为1，RGB彩图有三个颜色通道，厚度为3。
卷积核的厚度和图象厚度一致，对于厚度为3的RGB图片，卷积核厚度也为3。最后得到的特征图厚度永远为1
当用多个卷积核提取特征后，得到的每一个特征图汇总起来即为下一轮卷积的输入。此时图行列数为特征图行列数，图的厚度为特征图个数
步幅（stride）：卷积过程卷积核滑动步长
步幅增加会增加重叠，可以提取更多特征，但是会降低时间效率
步幅减少会减少重叠，减少特征图大小，但是会漏掉特征
填充（paddling）：在图片周围补0，增加特征图大小
特征图尺寸 = (width - kernel + 2 * paddle) / stride + 1
池化：类似于有损压缩，对特征图进行缩小，可以防止过拟合，并减少计算量
如下图max-pooling提取最大值，mean-pooling提取平均值
lu
激活：在卷积完之后也要把特征图输入激活函数进行激活，激活函数一般选用ReLU
完整流程：
