卷積神經網絡（Convolutional Neural Networks，CNN）
一、卷積運算公式：
對位相乘並累加
二、Padding（補零）以及之後的計算
Padding：卷積之前，在原圖像邊緣上加入一層像素（也可以多層），一般也叫做補零（因爲大多數時候我們添加的元素都是0）。
由上圖可知，如果卷積之後要得到與原圖像相同大小的圖像，
那麼加入的Padding層數應該是 (f - 1) / 2，
也由此可見，我們用的過濾器 f 一般也是奇數的，這樣才能整除計算，獲得對稱填充，還有一個原因是奇數的濾波器會有一箇中心點，有時候在計算機視覺計算時，有個中心點會方便很多。
附：Padding = 0的卷積被稱爲Valid Convolution爲了得到與原圖像大小相同圖像而加入Padding的卷積稱爲Same Convolution
其他情況，如果步長stride不爲1，則可能會不能覆蓋到邊緣，則需要補零。
三、卷積步長stride
以上運算都是基於步長爲1的情況，下面看看步長爲2的情況：
四、三維卷積
（1）原始RGB三維圖
濾波器（卷積核）（過濾器：filter）的權值是根據你要檢測的特徵來決定的，在深度學習中，也即是要經過訓練得到。檢測的特徵不同，權值就不一樣。
單通道： 如上單層的圖像一般表示的是灰白圖，既是沒有顏色的。
多通道： 有顏色的RGB圖像，會包含三個相同大小的圖層，這時對應的濾波器也要變成三層，濾波器的層數（通道數）必須時刻與圖像層數保持一致。
(2）多個濾波器（卷積核）
以上操作都是基於單個濾波器的，無論是單層還是多層，一個濾波器只能檢測一種特徵，要檢測多個特徵，我們需要多個濾波器。
