文章有點長，但字數不多，
學習卷積神經網絡資料 https://www.bilibili.com/video/BV1AJ411Q72b?from=search&seid=2878038664318579685
大白話講解卷積神經網絡工作原理https://www.bilibili.com/video/BV1sb411P7pQ
卷積基本操作 ：對圖像做平滑，如下圖，其結果中的每個值都來源於原對應位置和其周邊6個元素與一個3X3矩陣【這也被稱作核(Kernel, 3X3)】的乘積：
步長（stride）和邊界（padding）
在整個圖像範圍內一次移動一個像素。我們可以把它定義成一個超參數（hyperparameter），從而來表示我們想讓權值矩陣在圖像內如何移動。如果權值矩陣一次移動一個像素，我們稱其步長爲 1。滑動的步長叫stride記爲S。S越小，提取的特徵越多，但是S一般不取1，主要考慮時間效率的問題。S也不能太大，否則會漏掉圖像上的信息
由於filter的邊長大於S，會造成每次移動滑窗後有交集部分，交集部分意味着多次提取特徵，尤其表現在圖像的中間區域提取次數較多，邊緣部分提取次數較少，怎麼辦？
在輸入圖像四周填充 0 邊界可以解決這個問題。我們也可以在高步長值的情況下在圖像四周填加不只一層的 0 邊界。
卷積神經網絡參數調節交互https://ezyang.github.io/convolution-visualizer/index.html
池化：有時圖像太大，我們需要減少訓練參數的數量，它被要求在隨後的卷積層之間週期性地引進池化層。池化的唯一目的是減少圖像的空間大小。池化在每一個縱深維度上獨自完成，因此圖像的縱深保持不變。池化層的最常見形式是最大池化
全連接層
卷積神經網絡構成 卷積——激活——卷積——激活——池化——......——池化——全連接——分類或迴歸
輸出維度
理解每個卷積層輸入和輸出的尺寸可能會有點難度。以下三點或許可以讓你瞭解輸出尺寸的問題。有三個超參數可以控制輸出卷的大小。
1. 過濾器數量-輸出卷的深度與過濾器的數量成正比。請記住該如何堆疊每個過濾器的輸出以形成激活映射。激活圖的深度等於過濾器的數量。
2. 步幅（Stride）-如果步幅是 1，那麼我們處理圖片的精細度就進入單像素級別了。更高的步幅意味着同時處理更多的像素，從而產生較小的輸出量。
3. 零填充（zero padding）-這有助於我們保留輸入圖像的尺寸。如果添加了單零填充，則單步幅過濾器的運動會保持在原圖尺寸。
我們可以應用一個簡單的公式來計算輸出尺寸。輸出圖像的空間尺寸可以計算爲（[W-F + 2P] / S）+1。在這裏，W 是輸入尺寸，F 是過濾器的尺寸，P 是填充數量，S 是步幅數字。假如我們有一張 32*32*3 的輸入圖像，我們使用 10 個尺寸爲 3*3*3 的過濾器，單步幅和零填充。
那麼 W=32，F=3，P=0，S=1。輸出深度等於應用的濾波器的數量，即 10，輸出尺寸大小爲 ([32-3+0]/1)+1 = 30。因此輸出尺寸是 30*30*10。
參考鏈接：https://www.zhihu.com/question/39022858/answer/203073911