今天分享卷积神经网络模型，前面几篇文章介绍的是多层感知机神经网络模型，随着深度学习，卷积神经网络变得流行，尤其是在图像领域，只要是在图像处理的任务中，卷积神经网络比任何其他神经网络要好。
卷积操作
- 卷积核/滤波器/Feature Map : 3 * 3
- 步长（strides）: (1, 1)
通过上面的图片可以直观的理解什么是卷积，卷积是源于图像领域的，图像领域输入就是一个图像，最简单的就可以看做一个二维矩阵，中间小方块就是卷积核，在滤波领域叫滤波器。它会不断的从输入的图像里边一点点覆盖，一点点挪动，这里步长1个单位，最右侧一块就是卷积，这个卷积在这个图像上进行一次卷积得到的结果。输入和中间小方块对应的数值进行相乘然后进行相加，得到左边小方块。
Max pooling （池化）
- 池化核 : 3 * 3
- 步长(strides): (3, 3)
卷积的操作一般定义为以每个点每个像素为中心覆盖一部分，对这个覆盖的部分进行加权和的计算得到结果，但是如果对一个图像来说边缘的点来怎么样计算呢？
卷积操作的边缘处理
边缘一侧有值一侧没有值，第一种叫valid，另一种叫same，valid是处理边缘里边，不存在边缘问题。same存在边缘处理问题，通过扩展填充边缘，通过填充让输入和输出长度一样，same是怎样来的呢？我的理解是这样的，因为他是填充的，每个边缘节点都会参与到卷积，输入是几个，移动步伐是1，输出就是几个，输入和输出长度是一样的。valid由于不对边缘节点进行计算，输入和输出大小不一样，输出长度往往小一些。
卷积的过程其实就是用比图片更小的图片去不停的覆盖不停的计算，得到一个新的图片的过程，卷积往往和polling一起使用。
小结
- 通过对图片二维卷积的直观印象理解了卷积的过程。
- Pooling操作和边界处理。
