结合吴恩达前辈deeplearning.ai 的卷积神经网络课程，我想我对卷积神经网络有了进一步深刻的了解。下面是我做的一些学习笔记，如果有不对的地方，欢迎一起讨论。
目录
什么是卷积？
什么是池化？
为什么要用卷积神经网络？
卷积神经网络是怎么减少参数的？
1.什么是卷积？
用3*3 的卷积核对图像进行卷积遍历，对应元素相乘然后求和，得到特征图的过程，就是卷积。
填充（padding）：输入图像的角落（边缘）信息可能会丢失，在图像外围进行填充。
两种方式：
1.valid padding（no padding）
输出维度的计算公式：见下图
2.same padding : 经过这种填充之后，得到的输出维度与输入维度相同。
步长（stride）：卷积核移动的步幅
输出维度的公式计算：见下图
2.什么是池化？
第一种，平均池化
第二种，最大池化
3.为什么要用卷积神经网络？
如上图所示，
全连接神经网络中需要的参数大概是14millon 个
卷积神经网络中用的是 6个5阶的过滤器，参数是 156个
我在这里把卷积核理解为（特征提取器）
第一层，可能类似于边缘提取
第二层，根据第一层得到的边缘，进而提取到眼睛、鼻子、耳朵等特征
第三层，根据第二层得到的关键特征，得到整个人脸
运用多层网络，图像的信息就会尽可能完整，详尽的呈现出来，从而提取出的特征就会更加全面，更加符合我们需要就觉得问题。
在卷积神经网络中，一个卷积层可以有多个不同的卷积核（也可以说是滤波器），而每个卷积核在输入图像上滑动且每次只处理一小块图像。这样输入端的卷积层可以提取到图像中最基础的特征，比如不同方向的直线或者拐角；接着再组合成高阶特征，比如三角形、正方形等；再继续抽象组合，得到眼睛、鼻子和嘴等五官；最后再将五官组合成一张脸，完成匹配识别。即每个卷积层提取的特征，在后面的层中都会抽象组合成更高阶的特征。
图像具有很强的空间相关性。其中每一个卷积核滤波得到的图像就是一类特征的映射，即一个Feature Map。CNN训练的模型同样对缩放、平移、旋转等具有不变性，有着很强的泛化能力。
4.卷积神经网络是怎么减少参数的？
如图所示，
第一，参数共享。
相比全连接网络一个参数对应一个像素特征，卷积网络中一个卷积核（9个参数）与特征之间不是一一对应的，实现了参数共享。
第二，稀疏连接（对比全连接理解）。
比如，我们看输入图像左上角的9个像素和卷积核进行卷积之后，对应得到的特征图中的左上角的1个像素（这个像素只会受到输入图像左上角的9个像素的影响，不会受到其他像素的影响）。