1.数学卷积：滑动窗口
2.图像具有局部相关性和平移不变性，有许多冗余的特征点，如果用全连接的神经网络会很浪费时间。
3.卷积nn：减少参数，滑动提取特征，特征作为下层卷积的输入，然后放到全连接层进行分类，再反向传播更新卷积核参数。但需要大量数据，可解释性不强。
4.卷积核 ：一个卷积层上有多个卷积核，每个卷积核的权重参数不同，因此每个卷积核能提取一个特征，即生成不同的结果（对应元素相乘再求和）。每个卷积核能覆盖到一样大小的输入数据，通过滑动进而遍历整个输入数据。
5.感受野：是指特征图上的某个点能看到的输入图像的区域。卷积越深，一个点能看到的区域越大。设计较好的层数有利于提取更多特征。
左边的是输入，右边是层1，2
6.卷积层 / 滤波器：
7.通道：卷积核数就是通道数，
8.填充padding：图像外面2圈填0，可以让图像边缘的特征被卷积遍历更多次。
9.步幅stride：一次遍历多少，节省计算量
10.池化层pooling：max和average pooling
MP 特征降维，AP 打平
11.展平flatten：将特征图打平成线性，放入全连接层。
12.全连接层：把所有特征输入，最后得到一个分类
1x1卷积核作用
降维/升维