1、什麼是卷積：影象中不同資料視窗的資料和卷積核（乙個濾波矩陣）做內積的操作叫做卷積，該計算過程又稱為濾波（filter）,本質是提取影象不同頻段的特徵。
2、什麼是卷積核：也稱為濾波器filter，帶著一組固定權重的神經元，通常是n*m二維的矩陣，n和m也是神經元的感受野。n*m矩陣中存的是對感受野中資料處理的係數。乙個卷積核的濾波可以用來提取特定的特徵（例如可以提取物體的輪廓、顏色深淺等）。通過卷積層從原始資料中提取出新的特徵的過程又稱為feature map（特徵對映）。filter_size是指filter的大小，例如3*3；filter_num是指每種filter_size的filter個數，通常是通道個數
3、什麼是卷積層：多個濾波器疊加便成了卷積層。
4、乙個卷積層有多少個引數：乙個卷積核使用一套權值以便「掃視」資料每一處時以同樣的方式抽取特徵，最終得到的是一種特徵。在tensorflow定義conv2d時需要指定卷積核的尺寸，本人現在的理解是乙個卷積層的多個卷積核使用相同的m*n，只是權重不同。則乙個卷積層的引數總共m*n*filter_num個，比全連線少了很多。
5、通道怎麼理解：通道可以理解為視角、角度。例如同樣是提取邊界特徵的卷積核，可以按照r、g、b三種元素的角度提取邊界，rgb在邊界這個角度上有不同的表達；再比如需要檢查乙個人的機器學習能力，可以從特徵工程、模型選擇、引數調優等多個方面檢測。
6、幾個引數
深度depth：神經元個數，決定輸出的depth厚度同時代表濾波器的個數
步長stride：決定滑動多少步可以到邊緣。
填充值zero-padding：再外圍邊緣補充若干圈0，方便從初始位置以步長為單位可以剛好滑倒末尾位置，通俗地講就是為了總長能被步長整除。
上面的兩個例子中：
五個神經元，即depth=5，意味著有5個濾波器。
資料視窗每次移動兩個步長取3*3的區域性資料，即stride=2（步長是步子大小，不是步數）
zero=padding=1
7、如何理解權值共享，減少了神經網路需要訓練的引數的個數？
資料視窗滑動，導致輸入在變化，但中間濾波器filter w0的權重是固定不變的，這個權重不變即所謂的cnn中的引數（權重）共享機制。
卷積的理解
卷積，看著好煩人的東西啊。直接上來公式 好氣啊，什麼意思啊，一頭霧水。換種方式。假設你挨一拳f t 而這一拳的響應為h t 這樣後果疼痛就是fh。這很合理。你想啊，你一秒鐘挨一拳，那麼最新的一拳和舊的一拳都有疼痛的後果。這個痛是有多痛呢？你現在的拳，和之前拳的殘留。這樣求總痛怎麼求呢？依此疊加。注意...
卷積的理解
最近大火人工智慧，深度學習，各種提到卷積神經網路。不搞懂卷積，好像學習不下去了。於是就去看各種文章，以下是三篇解釋的比較不錯的，附上鏈結。我對卷積的理解 最容易理解的對卷積 convolution 的解釋 理解深度學習中的卷積 這裡做一下總結吧。離散的卷積公式 g n i f i h n i g n...
卷積的理解
訊號處理中的乙個重要運算是卷積.初學卷積的時候,往往是在連續的情形,兩個函式f x g x 的卷積,是 f u g x u du 當然，證明卷積的一些性質並不困難，比如交換，結合等等，但是對於卷積運算的來處，初學者就不甚了了。其實，從離散的情形看卷積，或許更加清楚，對於兩個序列f n g n 一般可...