内容上：卷积核大小【黄色部分大小，3*3】、卷积核内数值[ [1,0,1],[0,1,0],[1,0,1] ]、卷积核的数量 计算方式：从左往右，从上往下的扫描 + 对应元素相乘后相加

输入图片的尺寸：一般用 n * n 表示输入的image大小。 卷积核的大小：一般用 f * f 表示卷积核的大小。 填充（Padding）：一般用 p 来表示填充大小。 步长(Stride)：一般用 s 来表示步长大小。 输出图片的尺寸：一般用 o 来表示。

计算公式如下：（当不为整数时，向下取整）

卷积核：一般为 2 * 2、3 * 3、5 * 5 。卷积核的大小决定特征提取时的感受野。 Padding：

常用的两种padding： （1）valid padding( p=0)：不进行任何处理，只使用原始图像，不允许卷积核超出原始图像边界。 （2）same padding( p=1)：进行填充，允许卷积核超出原始图像边界，并使得卷积后结果的大小与原来的一致（str=1时）。

valid padding 就是不够就不够了，卷积核扫描多少就是多少；same padding 要求把所以位置都要进行卷积操作，所以当不够时外围用0填充一圈。

使用valid padding卷积后的输出取决于输入w、核大小f、和步长s；使用same padding卷积后的输出 只取决于步长（ 步长为2则输出为 o/2，步长为3则输出为 o/3

Stride:步长，作为主要影响因素决定卷积后输出图像的大小 卷积核的数量：决定输出图像数量的多少，即生成图像的通道数（核数=通道数）。这里指内部运算时图像的通道数，要与输入图像的通道数（彩色输入图像的通道数=3）区分开。

多张图像时，不同图片与各卷积核运算后对应相加，生成卷积核数的通道数。多张图像就是之一个batchsize数量的图像。

前提：池化层也称下采样层。在图像中，相邻像素倾向于具有相似的值，因此通常卷积层相邻的输出像素也具有相似的值。这意味着，卷积层输出中包含的大部分信息都是冗余的。

作用：

简而言之，池化就是去除杂余信息，保留关键信息，减小图像的分辨率

核：只有框架，没有核参数 核大小：size padding类型：取整方式为padding valid 步长：stride

池化操作主要有两种，一种是平均池化(Average Pooling)，即对邻域内的特征点求平均；另一种是最大池化(Max Pooling)，即对邻域内的特征点取最大。

池大小为2的最大池层的示例：

卷积与池化补充：

有表达不当之处，欢迎大佬们指正

参考： https://zhuanlan.zhihu.com/p/77471866 https://blog.csdn.net/Dontla/article/details/104119887 https://blog.csdn.net/Dontla/article/details/104119887