一、基础知识（一）
filter:
padding:在图像卷积操作之前，沿着图像边缘用0进行图像填充。padding会影响输出图像大小。
stride(卷积步长)：卷积步长是指过滤器在图像上滑动的距离
input: n*n, filter: f*f, stride: s, padding: p
output:
, ? ?表示向下取整
单层卷积网络：
ReLU（整流线性单位）——与Sigmoid函数不同的是，最近的网络更喜欢使用ReLu激活函数来处理隐藏层。该函数定义为：
当X>0时，函数的输出值为X；当X<=0时，输出值为0。函数图如下图所示：
使用ReLU函数的最主要的好处是对于大于0的所有输入来说，它都有一个不变的导数值。常数导数值有助于网络训练进行得更快。
在矩阵上加入偏差b1，然后对加入偏差的矩阵做非线性的Relu变换，得到一个新的4*4矩阵，这就是单层卷积网络的完整计算过程。用公式表示：
其中输入图像为a[0],过滤器用w[1]表示，对图像进行线性变化并加入偏差得到矩阵z[1]，a[1]是应用Relu激活后的结果。
描述卷积神经网络的一些符号标识：
输出图像的通道数就是过滤器的个数。
卷积神经网络层的类型：
- 卷积层(convolution,conv)
- 池化层(pooling,pool)
- 全连接层(Fully connected,FC)
1.池化层
最大池化（Max pooling）
最大池化思想很简单，以下图为例，把4*4的图像分割成4个不同的区域，然后输出每个区域的最大值，这就是最大池化所做的事情。其实这里我们选择了2*2的过滤器，步长为2。在一幅真正的图像中提取最大值可能意味着提取了某些特定特征，比如垂直边缘、一只眼睛等等。
平均池化和最大池化唯一的不同是，它计算的是区域内的平均值而最大池化计算的是最大值。在日常应用使用最多的还是最大池化。平均池化和最大池化唯一的不同是，它计算的是区域内的平均值而最大池化计算的是最大值。在日常应用使用最多的还是最大池化。
平均池化和最大池化唯一的不同是，它计算的是区域内的平均值而最大池化计算的是最大值。在日常应用使用最多的还是最大池化。
池化的超参数：步长、过滤器大小、池化类型最大池化or平均池化
原文地址：https://www.cnblogs.com/Chians-DW/p/9211272.html