卷积神经网络在图像（计算机视觉）中用的比较多
1. 图像在计算机中的本质
图像就是一个个像素（小方块）组成的，像素的范围是0~255。看右边那张图，即使没有颜色，我们也能够隐隐约约的看出8，因此可以理解，像素值越大，颜色更亮。
灰度图是单通道的，也就是说，只有一个矩阵
彩色图是三通道的，也就是我们说的RGB，三张图叠加起来，就是彩色图了
所以在计算机中，灰度图是【】一个矩阵，彩色图是【【】，【】，【】】三个矩阵，因此计算起来会更加复杂耗时
2. 卷积神经网络的整体结构
可以看到，卷积神经网络，有两种基本运算：卷积运算和池化运算。
1. 卷积运算
我们输入一张特征图（单通道的图），然后进入卷积层，卷积层会改变我们特征图的通道数，如图这里是三通道，但不是彩色图，而是说，有三个特征来表示我这一张单通道的图（彩色的三通道不也是红绿蓝三个特征来表示一张彩色图吗）。
并且卷积运算可以改变原来图片的W和H（长和高），（不是一定要改变）比如原来是30×30×1，变成24×24×3
2. 池化运算
如图，我们可以发现，它的通道数是不变的，但是可以改变W和H（长和高）（不是一定要改变）
然后不断的卷积运算、池化运算，随着通道数的增加，直到模型认为这样的一个网络结构，已经把这张特征图的信息提取完之后，最后再接一个全连接层（全连接神经网络）
3. 全连接神经网络存在的问题
为什么图片我们要用卷积神经网络，不直接用全连接神经网络呢？全连接神经网络不也能学习我们的特征吗？
我们将哈士奇分解为一块一块的特征，3 4是狗耳朵，9 10是狗头，如果是全连接神经网络，就会打乱图片之间的空间信息，空间之间的信息没有被利用，就会导致全连接神经网络的准确度不高。
但是卷积神经网络，不打乱空间信息，显然准确度很更高
还有一个问题
卷积神经网络有一个卷积核，是用来表示权重的 ，对于全连接神经网络来说，图片这么多像素，这么多特征，会导致每一层的神经元会多很多。
那么参数少一定好吗，不一定，但是你参数多也不一定好。你参数多，首先就是计算量大，其次就是容易过拟合。
4. 卷积层
1. 卷积运算和卷积核
卷积核里面就是权重W ，输入就是X ，输出就是对应相乘相加
这就是整个计算过程，实际上不就是wx+b吗，计算完之后，还可以套一个激活函数
对比可以明显发现，全连接神经网络9×4=36，明显计算量要大很多，这还只是一层
2. 权重共享
看上面的过程，很明显会发现，全连接神经网络，每个输入都有自己专有的参数W，但卷积运算并不是每个参数都有自己专有的参数W ，这里有引出了一个新的概念：权重共享。
其实也就是因为权重共享，所以导致计算量减少了，并且帮我们解决了过拟合。
在我们调整权重参数的时候，当输入特征X=0、1，也就是说这一块信息少，因此对权重的调整影响就小一些，当输入特征X=8、9，也就是说这一块信息多，因此对权重调整影响就大一些。因此最后它更侧重图像中更加有用的信息，而不是没有什么用的信息也给它来一个专有的权重
3. 填充
其实就是一开始讲的，改变特征图的W和H
给特征图加一圈0，这样就不会影响原来图的信息，然后通过权重共享，将信息扩散出去
4. 步幅
我们刚刚研究的都是步幅为1，也就是每次计算滑动一个，当步幅为2的时候，最后的结果特征图的W和H就会减少 4×4 ---> 2×2 （让我想到四阶魔方当二阶拧）
我们发现
如果步幅为1，4×4 * 2×2 最后得到 3*3
如果步幅为2，4×4 * 2×2 最后得到 2*2
我们隐隐约约感觉到，这里面应该有什么必要的关系，只是我们还没有发现
5. 经过卷积运算之后的特征图大小------计算公式
H：原图的高
P：填充的大小
FH：卷积核的高
S：步幅
6. 多通道数据卷积运算
刚刚讲的都是单通道的卷积运算，但是在我们卷积神经网络中，往往输入的特征图都是多通道的。
通道数和卷积核是一一对应的，3通道就有3个卷积核。
那么怎么计算呢？有些人会误以为，和单通道一样，每一个通道和一个卷积核相乘之后就好了，最后产生的通道数也是3，其实不是这样的。每一个通道的的计算结果，对应位置相加，因为一组卷积核，它所产生的特征图就是1。
c就是通道数，通道数一定要相同，不相同不能进行卷积运算
当有多组卷积核的时候，那么就会产生多通道的特征图，特征图的大小，依旧可以通过填充、步幅和卷积核大小来控制
加上偏置b之后，因为b就是一个 1×1 的，所以就直接加进去就好了
5. 池化层
池化层中也有一个池化核的概念，池化核就是告诉它要在特征图中找多大的区域，池化核是不含W的，池化层里也有填充和步幅的概念
它不会改变通道数，这是和卷积层最大的区别
1. 最大池化运算
就是在2×2的区域，找到这个区域中特征值最大的，这里的步幅为2
2. 平均池化运算
就是在2×2的区域，把这个区域中的特征值加起来，取平均值，这里的步幅为2
3. 池化运算的优点
如左图，1 0 1 2，右图 1 0 0 2，特征图是有变化的，但是把2提取出来之后，不管其他怎么动，问题都不大。**也就是说，池化运算，使得你的图像即使有一些细微的变化，依旧不影响你的结果。**比如说，一只狗的图片，你锁定了狗头，然后又来一张狗的图片，它是没手没脚的，但当你锁定狗头之后，就不影响你判断它是狗。
我的理解其实就是，增强模型的泛化能力。
4. 经过池化层后的特征图大小------计算公式
经过池化层后的特征图大小也有对应的计算公式
其实可以发现，和前面卷积运算的特征图大小计算公式是一样的