作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120806277
目录
stride：反映的每次移动的像素点的个数。
备注：
步长与输入数据的尺寸，直接决定了卷积核输出的尺寸。
但在实际定义卷积神经网络时，通常预先定义的是卷积层的输出尺寸，因此，步长并不是程序员预先设定的超参数，而是自动计算。
步长是根据卷积层的程序员指定的输入尺寸、输出尺寸、卷积核的大小来进行推导出来的。
除了输出的边缘被裁剪，同时输入数据的边缘数据点，被使用的机会也比中心点使用的机会少。
为了克服上述确定，需要在边缘外围进行填充，确保输入数据的所有点都是机会均等的，公平的。
（1）边缘填充影响卷积输出的大小
（2）由于填充的是0，因此不影响边缘处的卷积的输出值。
（1）单个卷积核的每一次卷积的输出是一个点
（2）单个卷积核的所有卷积的输出是一个二维的输出（三个通道的合成），而不是一个点。
（3）多个卷积核的所有卷积的输出组成一个三维的输出，第三个维度的长度反映卷积核的个数。
多通道输入数据：通道的来源
RGB三个通道的合并，才阐述了整个图片的综合特征，因此，卷积的“积”会会三个通道的”积”进行累加合并。
第1层是第一个卷积核的输出。
第2层是第二个卷积核的输出。
在输入图片时，通道是指：R,G,B三个颜色通道
在卷积层内部，通道是指：隶属于每个独立的神经元，通道数就是神经元的个数。
每个卷积核的输出图形，都被原始图形小，分别是原始图形中某一个种特征，是原始图形的部分信息，而不是全部像素信息。
、
（1）参数共享的好处
参数共享能够很好的降低全连接网络的过拟合
参数共享也可以极大的降低参数的个数
（2）全连接网络中批量样本计算时的参数共享
（3）卷积核的参数共享
备注：池化不进行矩阵运算，而只是选择部分数据输出。
每个区域选择最大值：选择特征最大的值，是特征最明显的特征。
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120806277
