呐，作者从今年刚开始学习机器学习，深度学习这方面……写个博客希望在一起学习的朋友们可以相互交流指正……
博客内容浅显，也可能存在错误，如果有bug希望大神们能批评指正。
话不多说，下面开始放干货！
1、神经网络的大体架构
上面是一张关于vgg19的结构图，以此，为例，神经网络大致可以包括（不正经的傻瓜总结，跟书上不太一样）：输入层，卷积层，池化层，激活函数，优化器，分类器，学习速率，损失函数。可能和书上的不太一样，但是上述这些是作者总结的关于神经网络最需要关注的。conv是卷积层，pool是池化层，fc为全连接层。大抵网络都是长上述这样，只是卷积层的大小，池化层等等略微变动。下面开始解释各类名词，以及作用
2、卷积层 conv <---记住这个单词，很多时候大神们写博客就直接忽略了中文名。这样以后看大神的博客就轻松了，特别是英文的文章这种
参考博客：https://blog.csdn.net/l691899397/article/details/52240421 感谢小姐姐or小哥哥的无私奉献
上述这个链接的博客，关于卷积的过程写的很详细，再次感谢小姐姐or小哥哥的无私奉献
参考博客：https://www.cnblogs.com/zf-blog/p/6075286.html 感谢小姐姐or小哥哥的无私奉献
这篇博客里面说明了卷积层的作用：我们通常会使用多层卷积层来得到更深层次的特征图
上一张关于输出输入数据大小的图：
F=3 => zero pad with 1
F=5 => zero pad with 2
F=7=> zero pad with 3,边界宽度是一个经验值，加上zero pad这一项是为了使输入图像和卷积后的特征图具有相同的维度，如：
输入为5*5*3，filter为3*3*3，在zero pad 为1，则加上zero pad后的输入图像为7*7*3，则卷积后的特征图大小为5*5*1（（7-3）/1+1），与输入图像一样；
想必上述 两个博客已经使得小萌新们明白了卷积的计算过程。
参考知乎：https://www.zhihu.com/question/39022858
其实总结来说，可以从模板匹配的方面开始推导。我们可以知道，模板匹配的原理就是数据点乘模板，得到超过阈值的值的地方就是存在这个匹配对象的位置。
同样的，神经网络就是，多次跌代，找到一个合适的权重值组，也就是模板，可以用来判断是不是这个物体。
综上的卷积层的作用，简单来说，就是（另一种模板匹配）。