卷积神经网络(CNN)：卷积+池化+全连接
卷积：特征的自动提取
- 局部特征提取
- 训练中进行参数学习
- 每个卷积核提取特定模式的特征
卷积降低了网络模型的复杂度，减少了权值的数量
卷积所进行的操作也可以说是加权求和的操作
大矩阵称为原始图像， 橙色的部分的每个小框的右下角为卷积核
为 原始图像 和 卷积核 点积运算之后得出的 卷积特征
池化（下采样）： 降维的一种方式
- 降低数据维度
- 增强局部感受野
- 提高平移不变性
全连接：分类，并且可以换成KNN，决策树，SVM等分类算法
- 特征提取到分类的桥梁
Padding操作：用额外的‘假像素’（通常值为0，因此称为‘零填充’）填充边缘。这样，滑动时的核可以延伸到边缘之外的假像素，允许原始边缘像素位于核中心，从而产生与输入相同大小的输出。
也就是在图像边缘填充0
-
无Padding：
产生一个比原矩阵小的矩阵，为(n-2)*(n-2)的矩阵
-
加上Padding：
卷积核Kernel也叫作滤波器filter，代表图像的而某些特征，也称为神经元。比如垂直边缘，水平边缘，颜色，纹理等等，所有这些神经元加起来就相当于整张图的特征提取器集合。卷积其实就是加权求和，卷积核就是权重
卷积操作其实就是相似度匹配
卷积神经网络训练的就是卷积核，
池化：
-
池化层主要的作用是下采样，通过去掉Feature Map中不重要的样本，进一步减少参数数量
-
池化的方法很多，最常用的是Max Pooling。Max Pooling实际上就是在n*n的样本中取最大值，作为采样后的样本值
最大值池化：也就是相当于找出窗口中的最大值，将其组装成一个新的小矩阵（上图的步长为2，如果步长为1，可以得到一个3*3的小矩阵）
均值池化：也就是找出窗口中的数据的均值，组装成一个小矩阵
