以前学英语，知道cnn是美国有线
后来卖牛奶，知道cnn是纯牛奶
再后来，回归了计算机，知道了ncc，相关系数，这个也非常有名，后来也被cnn盖住了风头！
计算机图形学，图像处理，用了很多先人制造的卷积核，比如高斯卷积核啊！lapulas卷积核！但从来没有人说是周文王八卦卷积核，也没人说是练字的九宫格！
后来bpnet出现了新名词-权重，就是这个weight，w1，w2等等之类！
然后就出现了cnn，眼睛往上一翻，看天，想了想，这个卷积核就是高斯，拉普拉斯卷积核吧！
但他们说不是，他们说这个卷积核是通过权重更新，自己生成的，不是先人预设的高斯，拉普拉斯等等卷积核！怎么回事呢？
原来，从第三幅图可以看出来，他这个卷积核真的是，通过梯度，自己更新的卷积核！
当你明白权重就是卷积核的那一瞬间！
世界突然眼前一亮，变成了新世界！
我们以前搞bpnet，权重更新和计算梯度不分开！只是强调，先用权重，后更新权重，不要搞反了！
自从出现了批处理和cnn，他们把权重更新和计算梯度分开了，也不说什么原因，好吧，我就跟着你，先用着！
在这里，我犯了错误！也不算！算是探索！
因为我不清楚cnn原理，我只是想用bpnet探索想象中的cnn，就用上面第三张图！
现在想来，很简单：最后一步彩色的更新，应该如下：
无论你用cnn还是bpnet：
//1，计算w【0】的梯度，第一层，偏差向前传播卷积核->delta卷积动作
//e偏导z1 *zI偏导w[0]
wcnn的偏差[0][0] = delta11*a0[0] + delta12*a0[1] + delta21*a0[3] + delta22*a0[4];//0,1,3,4
wcnn的偏差[0][1] = delta11*a0[1] + delta12*a0[2] + delta21*a0[4] + delta22*a0[5];//1,2,4,5
wcnn的偏差[0][2] = delta11*a0[3] + delta12*a0[4] + delta21*a0[6] + delta22*a0[7];//3,4,6,7
wcnn的偏差[0][3] = delta11*a0[4] + delta12*a0[5] + delta21*a0[7] + delta22*a0[8];//4,5,7,8
//w0，第一层的一个卷积核
for (int i = 0; i < 4; i++)
{
wcnn[0][i] = wcnn[0][i] - 常数a * wcnn的偏差[0][i];
}
但我一直在这上面尝试和犯错：
因为我在bpnet中把权重更新和梯度计算分开了，所以就进入了一种死循环：
当delta11作用a0[0]，计算完，就在这种分开思路中很自然的抛弃了，最后，只剩下 delta22*a0[4]，so：
wcnn的偏差[0][0] = delta11*a0[0] + delta12*a0[1] + delta21*a0[3] + delta22*a0[4];//0,1,3,4
变成了：
wcnn的偏差[0][0] = delta22*a0[4];
当然，网络仍然能正常运行，当我意识到上面的问题，我权重更新和梯度计算放在一起：也就是for循环中第一次：
wcnn的偏差[0][0] = delta11*a0[0]；
wcnn[0][0] = wcnn[0][0] - 常数a * wcnn的偏差[0][0];
for循环中第二次：
wcnn的偏差[0][0] = delta12*a0[1] ；
wcnn[0][0] = wcnn[0][0] - 常数a * wcnn的偏差[0][0];
for循环中第三次：
wcnn的偏差[0][0] =delta21*a0[3] ；
wcnn[0][0] = wcnn[0][0] - 常数a * wcnn的偏差[0][0];
for循环中第四次：
wcnn的偏差[0][0]= delta22*a0[4]；
wcnn[0][0] = wcnn[0][0] - 常数a * wcnn的偏差[0][0];
其实，上面四段，仍然是 wcnn[0][0] = wcnn[0][0] - 常数a（ delta11*a0[0] + delta12*a0[1] + delta21*a0[3] + delta22*a0[4]）
但我并不知道这是对的，甚至我认为，减了这么多次（在32*32的图像中）， wcnn[0][0]减没了，出现问题！
so，我取平均值，更新一次！然而，程序仍然跑的哗哗的，都是ok的！
我的评判标准，最后谁得分高?但也没看出什么子丑寅卯！一会这个好，一会那个好！
但我仍然怀疑这里有问题，直到看到cnn的数学原理推导！
实际也是我们复盘后这个最简单的bpnet和cnn所体现出来的问题！
其实有些问题很难懂！
但你必须反复熟练他，有一天，你自然会解开疑问和疙瘩！
有人说过kiss原则，
谈到用简单和笨方法，实际我们悄悄的用过了！但我们并不知道！
当我们化简到极简模式，bpnet与cnn除了第一层不同，剩下两层都一样，那么，很多问题就迎刃而解！而且你还收获了对称之美！
前天分析网络发现的直觉对称之美，
昨天发现有问题，推导之后，还是直觉的对称之美获胜！
很有意思！
就像我们开头看到的，卷积核，不是高斯，lapulas卷积核，最后发现，就是机器自生成的，仍然看到了高斯核和拉普拉斯卷积核！
苏轼有首诗，说看山不是山，最后又回归到，看山还是山！
前人在图像处理中发现卷积核，并使用卷积核，实际在人工智能上，仍然没变！只不过是让机器学会了而已！
有些问题看上去很复杂，你不停的简单化，他就变简单来了！
顺便:我们提出一个疑问：
为什么在光学成像，缩小放大的唯一卷积核是高斯卷积核?
而为什么图像和意识（机器）识别结果之间，缩小放大可以有很多卷积核并存？而且人的智能和机器智能都已经验证了！
当初，他们说人眼成像并识别的物理结构中一定存在高斯卷积核，这是显然的了！
so，扩展一下，人眼识别，除了高斯卷积核，还有其他卷积核，所以，物理和意识，意识更显得量子化！物理更趋于唯一性！