CNN全览
CNN主要包含卷积和池化两个操作
卷积层解决了两个问题：
- 有时，我们不用检测整个图片，只用检测图片的一部分
- 一样的部分可能出现在图像的不同部分。
池化层解决了一个问题：
- 图片清晰度不高依然可以辨识
所以，CNN并不能自动辨识不同尺度的相同图像，需要加一些额外手段。
CNN细节
1、卷积核是有z轴的，z轴大小对应了输入图像的channel，假设现在又一个m×n×n的图像，则一个卷积核的大小需要是m×k×k，运算后产生一个1×?×?的新map，假设有2个卷积核，则产生2×?×?的新map，即卷积核的数量决定了新生成的map的channel数。
2、convolution和fully connected的关系
卷积层，其实相当于全连接层拿掉了一些weight+weight参数共享，假设只有1个channel，卷积核的大小为k×k，有n个卷积核，则卷积层需要的参数个数为n×k×k
3、Flatten
一个卷积核输出一个feature，n个卷积核就输出n个feature（1×?×?的map），flatten做的事情就是把n个feature拉直。
4、反卷积
反卷积是卷积的反向操作，用于将图片还原到原来的尺寸，还原时的padding和步长有固定的计算步骤，暂时不展开详述。
