- 卷積（每次卷積完以後+Relu（非線性））
卷積核的深度和輸入圖像深度一致，有多少個卷積核，就獲得多少張特徵圖，也就是獲得的特徵圖的深度。ide
1個卷積核的卷積過程：3d
stride越小獲得的特徵越豐富/多，可是考慮效率的問題，stride通常不會設置爲1，stride太大會損失不少信心。blog
padding能更好得利用邊緣信息，特徵圖大小計算：class
權重共享，一個特徵圖，參數數量=filter大小+b，多個特徵圖=n*（filter+b）大小效率
- 池化Pooling layer（對特徵圖壓縮）（下采樣）（沒有w參數）
mean Pooling：池化核中（框選特徵），全部值取均值im
max Pooling：池化核中，取最大的值。總結
總結:filter