一張圖片對於計算機來說，它看到就是一個矩陣，其值從0~255之間，0表示黑色，255表示白色。
將輸入的影象類比為如下的綠色的5*5的矩陣，實際上是0~255之間的值，為了方便我們其中的畫素值用0 ，1 表示，黃色表示卷積核，
那麼卷積的計算過程就是，3*3的卷積核在綠色5*5的輸入影象上不斷從左往右開始掃描，分別對應相乘，如1*1+1*0+0*1+1*0+1*1+1*0+0*1+1*0+1*1=3，依次得到右邊的3*3的卷積後的影象，叫做特徵圖（Feature Map），也就是卷積後提取的特徵。
對於不同的卷積核提取到的是不同的特徵，如下圖，對右邊的輸入影象，分別使用中
間不同的卷積核去進行濾波處理，得到提取到不同的特徵圖，如：邊緣提取卷積核提取到的是edge特徵，銳化卷積核提取到的是Sharpen特徵，box blur 和Gaussian blur 就相當於opencv中的均值濾波和高斯濾波函式處理的結果。這些濾波器使用的是固定的卷積核，所以提取的是固定的特徵。而卷積神經網路的卷積核是透過學習不斷更新的，當網路訓練結束時，神經網路的卷積核也就確定了，卷積核中的每一個值都是一個神經元，神經網路的訓練過程就是卷積核中權重不斷更新的過程。如下圖所示，卷積核從左往右，從上往下不斷掃描後得到的Feature Map,也就是提取到的特徵。
卷積核透過在輸入影象上不斷滑動來產生特徵圖(Feature Map)，不同的卷積核可以生成不同的Feature Map。
卷積核相關引數介紹：
1、卷積核深度（depth），也就是卷積核的數量。
2、步長（stride），就是卷積核在輸入圖片上每次移動的畫素個數，stride越大，得到的Feature Map越小，預設是Stride=(1,1)。
3、補零（Zero-Padding),由於以stride從左到右移動最後時，可能出現移動到圖片以外，所以出現補零操作,預設是0.。
一張圖片對於計算機來說，它看到就是一個矩陣，其值從0~255之間，0表示黑色，255表示白色。
將輸入的影象類比為如下的綠色的5*5的矩陣，實際上是0~255之間的值，為了方便我們其中的畫素值用0 ，1 表示，黃色表示卷積核，
那麼卷積的計算過程就是，3*3的卷積核在綠色5*5的輸入影象上不斷從左往右開始掃描，分別對應相乘，如1*1+1*0+0*1+1*0+1*1+1*0+0*1+1*0+1*1=3，依次得到右邊的3*3的卷積後的影象，叫做特徵圖（Feature Map），也就是卷積後提取的特徵。
對於不同的卷積核提取到的是不同的特徵，如下圖，對右邊的輸入影象，分別使用中
間不同的卷積核去進行濾波處理，得到提取到不同的特徵圖，如：邊緣提取卷積核提取到的是edge特徵，銳化卷積核提取到的是Sharpen特徵，box blur 和Gaussian blur 就相當於opencv中的均值濾波和高斯濾波函式處理的結果。這些濾波器使用的是固定的卷積核，所以提取的是固定的特徵。而卷積神經網路的卷積核是透過學習不斷更新的，當網路訓練結束時，神經網路的卷積核也就確定了，卷積核中的每一個值都是一個神經元，神經網路的訓練過程就是卷積核中權重不斷更新的過程。如下圖所示，卷積核從左往右，從上往下不斷掃描後得到的Feature Map,也就是提取到的特徵。
卷積核透過在輸入影象上不斷滑動來產生特徵圖(Feature Map)，不同的卷積核可以生成不同的Feature Map。
卷積核相關引數介紹：
1、卷積核深度（depth），也就是卷積核的數量。
2、步長（stride），就是卷積核在輸入圖片上每次移動的畫素個數，stride越大，得到的Feature Map越小，預設是Stride=(1,1)。
3、補零（Zero-Padding),由於以stride從左到右移動最後時，可能出現移動到圖片以外，所以出現補零操作,預設是0.。