卷积神经网络是一种常用的深度学习模型，通常用作图像处理方面的任务，如人脸识别、目标识别等。
本文整理了卷积操作、特征图、卷积核的可训练参数等。
- 输入：7*7*3代表一张3通道的图。
- 卷积核心：3*3*3*2。
- 输出：3*3*2，步长是2,2,1,1
解释：其中前三个维度(3*3*3)代表一个卷积核参数，2代表2个核心。(3,3,3)的含义是(w,h,channel)，其中channel代表输入的通道数。(3*3*3*2)的含义是(w,h,channel_in,channel_out)。channel_out表示进行卷积运算新生成“图像”的通道数。
卷积的作用是二维滤波，起到特征提取的作用。
卷积输出的结果，可以直接作为下一层卷积的输入，因此卷积生成结果被叫做“特征图”。
本文用了动画实现卷积的方式，用了矩阵哈达玛积，结果求和，再遍历通道。代码如下：
temp +=
np.sum(padding_array[i*2:i*2+3,j*2:j*2+3,channel]*w_0[:,:,channel])
当编写完上面的代码，我就发现实现卷积的代码有问题，优先求哈达玛积 应转化为 矩阵相乘，将二维矩阵转换为一维矩阵。
(1,n)*(n*1)->(1,1)
遍历通道的相加，也转化为一维矩阵。
Sum{(3*3*3)*(3*3*3)}->(1,27)*(27*1)
通过实际编写代码，卷积操作也是矩阵乘法，相比较全连接网络，仅仅是减少了可训练参数。（对比全连接网络实现手写数字识别。）
单层卷积，可训练参数个数： $$whchannel_{in} * channel_{out}$$
本文用最简单的方法实现了卷积操作，并有做优化，写死padding、stride等参数，但是通过编写代码，充分理解了卷积操作。特别希望对卷积不理解的同学，也尝试编写实验代码，一定会对卷积的含义有更深理解。