1、卷积神经网络作用：先对原始图片提取特征后，再送入全连接网络
2、卷积过程：
用一个正方形的卷积核，遍历图片上的每个点，对应点相乘，再相加，最后加上偏置。
输出图片大小=（输入图片边长-卷积核大小+1）/步长
3、padding
若要保持输出图片大小和输入图片大小相同，则要用全0填充。（在原来图片的基础上，外面填一圈）
此时，输出图片大小=输入图片边长/步长
因此可得出以下公式来求输出图片边长：
4、tensorflow计算卷积
对于通道为3的图片，卷积运算为：
先卷积求出3个3*3的矩阵，再把3个矩阵对应元素相乘，最后加上偏置，得到输出矩阵中的一个值。
5、池化
池化作用：用来减少特征数量
1）最大池化：可以提取图片特征
2）均值池化：可以保留背景特征
6、dropout
在神经网路训练中，以一定概率将一部分神经元失活，避免过拟合。
而在测试的时候，不能失活，就全部恢复。