卷积层（特征提取器）
利用一个滑动窗口（卷积核）在图片上移动，计算窗口内像素与卷积核权重的乘积之和，用以捕捉局部特征（如边缘、纹理）。
：
卷积后生成的新图片（特征图）在坐标处的值。你可以理解为：这是侦探扫描完这一小块区域后得出的"结论得分"。
：
这是两个求和符号。意思是我们要把这个小窗口里所有算出来的结果都加起来。
：
这是原始图片 里的像素值。表示当前扫描窗口覆盖的那一小块区域。
：
这是卷积核（也叫滤镜/权重）。它是模型学习到的核心。比如，如果它是一个"横线滤镜"，那么它的数值排列就像一条横线。
：
这是一个常数，就像调色时的"底色"。即使前面算出来是 0，加上偏置也可以微调最后的结果。
尺寸计算公式
：输入高度
：填充（在图片外围补 0 的圈数）
：卷积核尺寸
：步长（每次滑动几个像素）
：向下取整
输入的图，卷积核
，步长1，填充0：
结果为
激活函数------非线性引入
如果没有激活函数，多层神经网络退化为线性回归。ReLU负责舍弃负信号，保留正信号。
池化层------降维与压缩
通过取局部区域的最大值或平均值，减少数据量，提高模型的容错性。
全连接层------最终分类
将前面提取的所有特征图"打碎"成一维向量，最后通过加权求和得出每个类别的得分。
:输入特征向量
:权重矩阵
完整流程
