- 卷积（每次卷积完以后+Relu（非线性））
卷积核的深度和输入图像深度一致，有多少个卷积核，就获得多少张特征图，也就是获得的特征图的深度。ide
1个卷积核的卷积过程：3d
stride越小获得的特征越丰富/多，可是考虑效率的问题，stride通常不会设置为1，stride太大会损失不少信心。blog
padding能更好得利用边缘信息，特征图大小计算：class
权重共享，一个特征图，参数数量=filter大小+b，多个特征图=n*（filter+b）大小效率
- 池化Pooling layer（对特征图压缩）（下采样）（没有w参数）
mean Pooling：池化核中（框选特征），全部值取均值im
max Pooling：池化核中，取最大的值。总结
总结:filter