卷积神经网络（CNN）
相比全连接而言，参数更少，原因在于CNN是一种局部连接，权值共享的模式
卷积核其实就是一个权值矩阵，例如咱们在全连接网络时，权值是一个列向量，在卷积的时候，我们把这个列向量二维化了
卷积核遍历图像矩阵的过程就称之为卷积
池化实质上是在语义上把相似的特征合并起来，可以达到降维，减少参数的作用
步长是卷积核在图片上每次移动的格数，卷积后特征图的大小就是原图像宽高减分别卷积核的宽高，除以步长加1
即[(原宽-核宽)/步长+1，(原高-核高)/步长+1]
卷积神经网络（CNN）
相比全连接而言，参数更少，原因在于CNN是一种局部连接，权值共享的模式
卷积核其实就是一个权值矩阵，例如咱们在全连接网络时，权值是一个列向量，在卷积的时候，我们把这个列向量二维化了
卷积核遍历图像矩阵的过程就称之为卷积
池化实质上是在语义上把相似的特征合并起来，可以达到降维，减少参数的作用
步长是卷积核在图片上每次移动的格数，卷积后特征图的大小就是原图像宽高减分别卷积核的宽高，除以步长加1
即[(原宽-核宽)/步长+1，(原高-核高)/步长+1]