卷积神经网络可以看作一个函数或者黑箱，输入就是图片的像素阵列，输出就是这个图片是什么？
图片是X，那么就输出‘x’，图片是‘O’,那么就输出O；
在计算机眼中，图片是一系列像素阵列

我们可以通过图片特征，识别图片，假设我们用提取原图中以下三种特征，我们选用以下三种卷积核。

1.卷积运算

卷积核把原图中的特征提取出来，反应在Feature Map上：

具体流程如下：
拿卷积核与图中绿色框部分进行运算，得到结果为1，代表这部分与卷积核特征完全相同

拿卷积核与中间绿色框进行卷积，得到如下卷积结果，最后得到0.55，代表保留了卷积核0.55的特征

我们拿卷积核对所有部分进行一遍卷积运算，得到如下结果：最后得到如图特征图

通过不同的卷积核提取不同的特征：

但是很多情况下，会有很多特征，通过不同的卷积核进行卷积得到很多Feature Map,那么会带来很多的计算量，那么时间就会来不及，所以我们需要把图像进行缩小，因此需要池化层。

2.池化

池话分为两种：最大池化和平均池化，一般使用Max pooling（在保留了原图特征的同时，还可以降低图像尺寸，降低计算量）

激活层
激活层主要对卷积层的输出进行一个非线性映射。
使用ReLUs

3.全连接层

但是，权重和卷积核又该怎么选择呢？这个是需要训练得到。
损失函数是预测值与真实值的差距，通过后向传播不断求导，得到损失值最小的参数，经过不停的训练，大量的数据，最后模型自己就知道采用哪些卷积核、每一个神经元的权重是多少，这就是机器学习。
（不需要人为指定卷积核，amazing！！！）
当找到损失函数的最小值时即成功了，但是我们需要一个初始参数，（事先指定卷积核的尺寸、数目、随机生成卷积核、全连接层的数量等）这就是超参数。

【本文为学习CNN的笔记】有错误欢迎指正👊👊👊
视频地址