no.1 有关卷积的基础知识

卷积操作：为了提取像素的“突出点”，以便于让计算机注意到它

卷积核内部的数字是随机生成的，每个卷积核根据输入处理的图片的channel不同，会生成与之channel相同的channel。

如下图，一共四个卷积核，每个卷积核有三个channel，每个卷积核的三个channel会分别与输入的特征图进行运算，而后相加，一个卷积核生成一个out—maps

卷积操作后maps的大小计算公式为

W:输入图片的大小

F：卷积核的大小

S：卷积核所走的步长

P：特征图的补0

下采样操作：目的对特征图进行“稀疏处理”，减少数据运算量，同时减少图片大小

在此处是最大值下采样，即：在卷积核2x2大小下，找到当中最大的值保留。当然也会有其他的下采样操作，比如平均池化下采样，以2x2为例，它会求得2x2内的平均值作为保留值。

softmax操作：针对多分类问题，所有输出节点的概率和为1

优化器optimizer：针对数据进行反向传播，求最优解的时候（最小损失）

 全部数据使用，损失梯度指向全局最优解，但是内存不够，算力也不够就把整体的数据分为一个个小的batch，若使用batch，每次的损失梯度就会指向当前批次的最优解方向。所以我们可以在尽可能的情况下调整batch的大小，数据越多我们的结果越稳定。

 反向传播：就是让机器自己去学习它应该怎么去看输入图像的“关键点”（能够区分类别的，特征的像素）

这里理解到位就行了，不必过分深究，数学问题，一个函数调用就帮你解决了。