卷积神经网络
一、垂直边缘检测
1、示例
首先考虑，如何检测出两个物体的中间间隔，这样能够把两个物体分开。
示例，输入一张6 x 6的图片（左边数值高就亮，右边数值低就灰暗），用3 x 3的卷积核去做卷积（左边是亮色，右边是深色），得到特征图（刚好中间数值高，就说明中间有间隔存在）。这里可能发现中间间隔太宽了，这是因为原图太小了，如果足够大（1000 x 1000），则得到的间隔就很细了。
【注】因为这个卷积核，就是为了找到中间垂直边缘的，因此设置参数就是左大右小，这样与一张图片做卷积，就能提取到中间垂直边缘的特征。
可以发现左边是用来检测垂直边缘的，右边是水平边缘。
【注结】
2、滤波器的改进
可以发现，人们来改变卷积核的参数，加重中间行的权重，增加鲁棒性，更好的检测边缘。
那么对于现在的神经网络，可以不必初始化卷积核参数，由网络来学习出其中的参数。
设置9个参数，由反向传播来进行学习。理论上可以学习任何角度的边缘，而不只是垂直/水平。
二、padding
作用：
1、防止图片变小
2、防止周围边缘的特征信息被忽略
卷积公式：(n-k+2p)/s + 1
其中，k是卷积核大小，p是padding取值，s是步长。
两种参数选择：1）Valid ：不填充 2）Same：使得输出大小与输入大小保持一致
三、步长
当如果卷积核移动到了图像外边，就不再进行卷积运算。
得到输出：
四、三维卷积
注意图片的通道数一定=卷积核的通道数。
有时我们可能需要既检测垂直边缘，又检测水平边缘。因此就需要两个卷积核，一个对应垂直，一个对应水平。
可以发现输出的feature map的通道数=卷积核的个数。