1.数学卷积：滑动窗口

2.图像具有局部相关性和平移不变性，有许多冗余的特征点，如果用全连接的神经网络会很浪费时间。

3.卷积nn：减少参数，滑动提取特征，特征作为下层卷积的输入，然后放到全连接层进行分类，再反向传播更新卷积核参数。但需要大量数据，可解释性不强。

4.卷积核 ：一个卷积层上有多个卷积核，每个卷积核的权重参数不同，因此每个卷积核能提取一个特征，即生成不同的结果（对应元素相乘再求和）。每个卷积核能覆盖到一样大小的输入数据，通过滑动进而遍历整个输入数据。

5.感受野：是指特征图上的某个点能看到的输入图像的区域。卷积越深，一个点能看到的区域越大。设计较好的层数有利于提取更多特征。

 左边的是输入，右边是层1，2

6.卷积层 / 滤波器： 

7.通道：卷积核数就是通道数，

8.填充padding：图像外面2圈填0，可以让图像边缘的特征被卷积遍历更多次。

9.步幅stride：一次遍历多少，节省计算量

10.池化层pooling：max和average pooling

MP 特征降维，AP 打平 

11.展平flatten：将特征图打平成线性，放入全连接层。

12.全连接层：把所有特征输入，最后得到一个分类 

1x1卷积核作用

降维/升维