参考网址
https://baijiahao.baidu.com/s?id=1589737422764153386&wfr=spider&for=pc
卷积层负责提取特征，采样层负责特征选择，全连接层负责分类
卷积神经网络的出现，以参数少，训练快，得分高，易迁移的特点全面碾压之前的简单神经网络，而其中的卷积层可以说是这个卷积神经网络的灵魂
补充：（这些优点如何实现的？）
个人理解：因为若知道输入，知道神经元的权值（weights）了，根据神经网络公式：
Output =
可以看出，这里面有两个参数wi和b，但是再卷积操作中，因为卷积核里面的数字实际上代替了上式中wi的作用，而卷积核里面的元素值是自己写死的，所以这里面可以看到就没有了可训练参数wi，因此可以导致整个神经网络的参数减少。那自然就会训练的快，但为什么得分高还不知道。
正常情况下，我们输入图片是RGB格式，也就对红(R)、绿(G)、蓝(B)三个颜色，假设，这三个分量的pixels 分别如下表示：
卷积核（滤波器，convolution kernel）是可以用来提取特征的，图像和卷积核卷积，就可以得到特征值，就是destination value
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
补充内容：
矩阵点乘则要求参与运算的矩阵必须是相同维数的，是每个对应元素的逐个相乘。
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
现在我们对前面的三个红绿蓝像素值来分别做卷积操作（本质就是像素矩阵和卷积核矩阵的点乘运算）
所以，结果为：
W1output = 1*(-1) +1*1+1*0+0*(-1)+1*0+2*1+0*(-1)+1*1+2*(-1) =1
W2output = 2*1+2*0+1*1+1*1+0*1+0*2+0*1+0*0+1*1=5
W3output = 1*(-1)+1*(-1)+0*(-1)+0*2+0*(1)+0*2+1*0+1*1+0*1 = -1
Bias = 0
Final_output =W1output + W2output+W3output+bias= 1+5-1+0 = 5
三个卷积核的输出为什么要叠加在一起呢
你可以理解为三个颜色特征分量叠加成RGB特征分量
但是我们也不能随机找图像的pixels进行卷积吧,我们卷积输出的特征图（feature map）,除了特征值本身外，还包含相对位置信息
比如人脸检测，眼睛，鼻子，嘴巴都是从上到下排列的,那么提取出的相应的特征值也是按照这个顺序排列的.
我们实现卷积运算最后的方式
就是从左到右，每隔x列Pixel，向右移动一次卷积核进行卷积(x可以自己定义),黄---蓝---紫，就是卷积核移动的顺序，这里x =1,
当已经到最右,从上到下，每隔X行pixel,向下移动一次卷积核，移动完成，再继续如上所述，从左到右进行
就这样，我们先从左到右，再从上到下，直到所有pixels都被卷积核过了一遍，完成输入图片的第一层卷积层的特征提取
就这样，我们先从左到右，再从上到下，直到所有pixels都被卷积核过了一遍，完成输入图片的第一层卷积层的特征提取。
这里的x我们叫作stride,就是步长的意思，如果我们x = 2, 就是相当每隔两行或者两列进行卷积
好了
你有没有发现，分量的pixel 外面还围了一圈0，这是什么鬼
我们称之为补0（zero padding）
因为添了一圈0，实际上什么信息也没有添，但是
同样是stride x=1 的情况下，补0比原来没有添0 的情况下进行卷积，从左到右，从上到下都多赚了2次卷积，这样第一层卷积层输出的特征图（feature map）仍然为5x5，和输入图片的大小一致
而没有添0的第一层卷积层输出特征图大小为3x3
这样有什么好处呢
（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3x3, 那么第二层卷积层输出的特征图就是1x1，CNN的特征提取就这么结束了
同样的情况下加了zero-padding的第二层卷积层输出特征图仍然为5x5,这样我们可以再增加一层卷积层提取更深层次的特征