1. 图像基本概念
2. CNN概述
3. 卷积层
3.1 卷积计算
卷积计算 本质上是 卷积核 和 输入数据的局部区域 间做点积；
计算规则：从左到右，从上到下；
3.1.1 Padding 填充 - 填充的像素个数
通过上面的卷积计算过程，最终的特征图比原始图像小很多，如果想要保持经过卷积后的图像大小不变, 可以在原图 周围添加 padding 来实现.；
Padding =1：上下左右各填1个像素；
3.1.2 Stride 步长 - 移动的像素个数
按照步长 Stride 来移动卷积核；
Stride =1 默认1步；
3.2 多通道卷积计算
计算规则：每个通道 独立卷积后的值之和；
3.3 多卷积核卷积计算
可理解为：多组 多通道卷积计算
每个卷积核卷积一张特征图，所有特征图 堆叠Stack；
3.4 特征图大小
3.5 PyTorch卷积层 API
4. 池化层
4.1 池化层计算
池化层 (Pooling) 降低维度，缩减模型大小，提高计算速度；
4.2 多通道池化层计算
在处理多通道输入数据时，池化层对每个输入通道分别池化，而不是像卷积层那样将各个通道的输入相加。这意味着池化层的输出和输入的通道数是相等。
池化是不会改变通道数，原本几通道经过池化处理还是几通道，卷积可以改变通道数；
4.3 PyTorch 池化 API
