1.边缘检测
滤波器(卷积核)：[1 0 -1;1 0 -1;1 0 -1]进行垂直检测，图片左侧亮，右侧暗； [111；000；-1-1-1]水平检测，图片上侧亮，下侧暗。
如果增加中间部分权重；则可以sobel filter[10-1；202；10-1];或者[3 0 -3；10 0 -10；3 0 -3]
2.padding
如果输入图片为n×n，卷积核为f×f，则输出为：(n-f+1)(n-f+1)；例如6×6，卷积核3×3，则输出4×4；
卷积缺点：1.随着卷积次数增加，图片会越来越小；2.那些边缘的角落，被卷积核触碰的次数少，因此意味着你丢掉了图像边缘位置；
解决方法：在图像的边缘进行填充，习惯上用0来填充，填充层数通常用字母p表示，那么输出尺寸变成了：(n+2p-f+1)(n+2p-f+1)
特殊的，如果想让输出尺寸=输入尺寸，则有：n+2p-f+1=n,则p=(f-1)/2,这里f通常是奇数。
3.卷积步长
卷积核在图片上扫动时，每几格移动一次，stride即为卷积步长。同样的，引入步长概念之后，输出尺寸：
[(n+2p-f)/s+1]×[(n+2p-f)/s+1]。
如果得出不是整数，则向下取整。注意：如果按照数学或信号处理相关教材说明，所有卷积操作之前，需要对卷积核进行180反转，
但是实际机器学习过程通常不进行反转操作，管他叫做卷积运算。
4.三维卷积
以上操作均为二维，即检测灰度图像，如果操作彩色图像即RGB三通道图像，需要用到三维卷积。因此在进行卷积运算时，图片可以想象成三层叠加的立体，而卷积核也是相应的立体：例如用3×3×3的卷积核操作6×6×3的图片，运算时与上述操作一样，只不过计算完每一层数之和，将三层叠加到一起。输出尺寸为：4×4×1；注：如果想单独检测某一个通道，则可以将卷积核对应通道设置相应的参数，而其余
通道参数均设为0；如果想用两个卷积核检测三维图片，则输出为4×4×2；
5.单层卷积网络
问题：假设有10个过滤器（3×3×3卷积核），神经网络的一层有多少个参数？
每一层27个参数+1个偏差=28，十个则：28×10=280个
总结：第l-1层参数为：f[l-1]=filter size ；p[l-1]=padding；s[l-1]=stride；输出：n[l-1]×n[l-1]×n[l-1]（长，宽，通道，公式同上，注意输出通道数=上层滤波器个数。）
第l-1层的参数决定本层输出，同时也是第l层的输入。
6.简单网络实例
假设给定一张39×39×3图片，用10个3×3的过滤器提取特征，那么本层输出为：(39-3+1)×(39-3+1)×10，作为本层的激活值继续传递给下一层作为输入，假设继续给定20个过滤器f=5×5×10
步长s=2，p=0，那么第二层层输出为((37-5)/2)+1)×((37-5)/2)+1)×20；第三层假设有40个过滤器依然为f=5×5×20，步幅s=2，输出为7×7×40.
因此最后神经网络提取出了1960个特征，将其平滑处理后形成一个向量，填充到softmax回归函数中。
一个典型神经网络通常三层：1.卷积层conv，2.池化层pool，3.全连接层FC
7.池化层
最大池化：挑选每一组最大像素值保留下来，继续移动卷积核，最后输出尺寸计算公式同上。注：最大池化时往往不进行零填充(padding)
平均池化：取每一组平均值保留下来，之后过程同上。
他们只是神经网络中的一个静态属性。
8.全连接层
例：输入：32×32×3，参数：6个f=5，s=1；
conv1：28×28×6；参数：6个f=2，s=2；pool1：14×14×6；参数：16个f=5，s=1，conv2：10×10×16；参数：16个f=2，s=2，pool2：5×5×16=400
利用400个单元构建下一层；FC3：(120,1)(一般选用别人调试好的参数)FC4：(84,1)；softmax:(10,1)=841。
