卷积计算层：CONV Layer
人的大脑在识别图片的过程中，会由不同的皮质层处理不同方面的数据，比如：颜色、形状、光暗等，然后将不同皮质层的处理结果进行合并映射操作，得出最终的结果值，第一部分实质上是一个局部的观察结果，第二部分才是一个整体的结果合并。
基于人脑的图片识别过程，我们可以认为图像的空间联系也是局部的像素联系比较紧密，而较远的像素相关性比较弱，所以每个神经元没有必要对全局图像进行感知，只要对局部进行感知，而在更高层次对局部的信息进行综合操作得出全局信息。
卷积过程：
一个数据输入，假设为一个RGB的图片
在神经网络中，输入是一个向量，但是在卷积神经网络中，输入是一个多通道图像(比如这个例子中有3个通道，即RBG通道)
手动画一张图来理解一下吧，字丑见谅 … …
上述第3步骤， 表示 第 I 层特征图的第一个通道，后面的（1,1）表示该通道上位于第一行第一列的像素值。a,b,c分别表示卷积核的3个通道，它们的下标同样表示卷积核该通道上第n行第n列的参数值(权重值w)。
2、卷积过程实际意义理解：
对于一张图片“2”，我们来把这个’2‘分成块，一块一块看：你一块块看，是不是仍然会发现这是个数字’2‘？
也是说，你大脑会自动把这些分散的图片组合起来进行识别
也就是说，我们发现了两个现象：
- 如果我们只知道局部的图片，以及局部的相对位置，只要我们能将它正确组合起来，我们也可以对物体进行识别，即看做卷积核在特征图像上按步长扫描的过程，每个扫面块都是局部图片，且有局部相对位置。输出特征值也是按同样的相对位置生成在输出特征平面上。
- 同时局部与局部之间关联性不大，也就是局部的变化，很少影响到另外一个局部，即看做每个扫描块所有特征值经过卷积核卷积生成一个输出特征值，即局部图片通过卷积发生了变化。
实际上，我们还会遇到两个问题：
一张图片特征这么多，一个卷积层提取的特征数量有限的，提取不过来啊！
我怎么知道最后采样层选出来的特征是不是重要的呢？
我来大概介绍一下级联分类器：
大概意思就是我从一堆弱分类器里面，挑出一个最符合要求的弱分类器，用着这个弱分类器把不想要的数据剔除，保留想要的数据。
然后再从剩下的弱分类器里，再挑出一个最符合要求的弱分类器，对上一级保留的数据，把不想要的数据剔除，保留想要的数据。
最后，通过不断串联几个弱分类器，进过数据层层筛选，最后得到我们想要的数据。
那么，针对刚才的问题，我们是否也可以级联一个卷积层和池化层？
于是就有了CNN中[ ( 卷积 > 激活 ) * N > 池化? ] * M的过程。
大致上可以理解为：
- 通过第一个卷积层提取最初特征，输出特征图（feature map）
- 通过第一个采样层对最初的特征图（feature map ）进行特征选择，去除多余特征,重构新的特征图
- 第二个卷积层是对上一层的采样层的输出特征图（feature map）进行二次特征提取
- 第二个采样层也对上层输出进行二次特征选择
- 全连接层就是根据得到的特征进行分类
其实整个框架很好理解，我举个生动形象的例子：
输入图像好比甘蔗。
卷积层好比A君要吃甘蔗，吃完之后（卷积），他得出一系列结论，这个甘蔗真好吃，我还想再吃！
啊不是，说错了
他得出结论，这个甘蔗是圆柱形，长条，甜的，白的，多汁的等等（提取特征，提取的特征即输出特征值）
采样层就好比第一个吃甘蔗的人告诉B君，吃甘蔗，重要的是吃个开心，为什么开心，因为它又甜又多汁，还嘎嘣脆（特征选取）
第二个卷积层就好比，B君并没有去吃剩下的甘蔗，而是
头也不回。
拦也拦不住的
去吃A君吐出的甘蔗渣
然后得出结论，嗯~~，
咦~~？
哦~~！
‘原来这甘蔗渣是涩的，是苦的，不易嚼，不好咽’B君这么说道（二次提取特征，提取的特征即输出特征值）
第二个采样层就好比，B君对别人说，这个甘蔗渣啊，吃的我不开心，因为它很涩，不好咽（二次特征选取）
如果你们要吃，注意点！
注意点!
意点！
点！
全连接层的作用，就好比是一个决策者，他听取了A,B君的描述（根据最后输出的特征值进行分类）
这样，如果有人吃很多东西，其中就有甘蔗
他们吃的时候，有一样东西吃起来，感觉和A,B君描述的非常接近，那么决策者就认为
这个很大概率是甘蔗了。
以上甘蔗例子取自另外的博客，好像是简书上的，但是链接忘记了，在此感谢作者。
卷积核放在神经网络里，就代表对应的权重（weight)
卷积核和图像进行点乘（dot product), 就代表卷积核里的权重单独对相应位置的Pixel进行作用
这里我想强调一下点乘，虽说我们称为卷积，实际上是位置一一对应的点乘，不是真正意义的卷积，卷积公式：
至于为什么要把点乘完所有结果加起来，实际上就是把所有作用效果叠加起来，你可以理解为三个颜色特征分量叠加成RGB特征分量，就好比前面提到的RGB图片，红绿蓝分量叠加起来产生了一张真正意义的美女图
Padding：
（1）我们获得的更多更细致的特征信息，上面那个例子我们就可以获得更多的图像边缘信息
（2）我们可以控制卷积层输出的特征图的size，从而可以达到控制网络结构的作用，还是以上面的例子，如果没有做zero-padding以及第二层卷积层的卷积核仍然是3×3, 那么第二层卷积层输出的特征图就是1×1，CNN的特征提取就这么结束了。