卷积神经网络简要笔记
1.过滤器
CNN中的过滤器也被称为“kernel”，主要用来提取图片中的某一类特征，如“垂直边缘检测器”可以提取图片中的“垂线”。
实际应用中，常常采用多个filter，并且每个filetr是通过训练学习来确定的。
2.padding
padding主要用来填充图片边缘，这样做可以解决两个问题：
（1）避免几次卷积操作后，图片变小不能构建深层网络；
（2）可以使图片的角落元素多次参与运算，避免忽视角落元素的作用。
3.池化层
池化层可以理解为一种特殊的抽样，“最大池化层”可以将局部的最大特征提取出来，“均值池化层”可以将局部的平均值抽样出来，这样不仅可以使一些特征的检测功能变得强大，还可以提高运算速度。
4. 卷积运算
图片大小为n*n, 过滤器大小为f*f（f一般为奇数）, 填充大小为p，滑动步长为s, #ch为过滤器的个数，那么得到的下一层大小为(n+2p-f) / s + 1 * (n+2p-f) / s + 1 * #ch，其中(n+2p-f) / s + 1需要向下取整。
5. 为什么卷积操作是有效的？