回顾深层神经网络，因为每个层都是全连接的，假设有一个64×64×3的图像(64×64是二维平面上的像素值，3为第三维RGB的值),每个节点的权重是不同的，则下一层的每个神经元将会计算64×64×3个节点，若下一层有n个节点的神经元则计算量还需乘n，训练起来较为复杂。
卷积神经网络主要有三个特点
局部感受野（Local Receptive Fields）
共享权值(Shared Weights）
池化（Pooling)
局部感受野在动物器官中，大脑皮层有不同的感受区域，如听觉区,视觉区等，每块区域都有自己特殊的神经元，当有听觉信号时会传到大脑皮层的听觉区的神经元，因此每个神经元对应的感受区域叫感受野.
那么在神经网络中，不同的卷积核会对应不同的感受区域，在卷积时彼此之间无联系。
卷积神经网络的卷积层每个节点与上一层某个区域通过卷积核连接，而与这块区域以外的区域无连接。
从右边图可见，每个圆圈代表一个卷积核，每个卷积核只需要关注自己的局部感受区域。
卷积核卷积核到底是什么？那就来观察一下每个卷积核局部作用域。
上图是取一个卷积和其对应的局部感受野，中间的那一层就是卷积核，3×3的卷积核对源数据中左上角的3×3的矩阵进行点乘，就得到了一个数值，叫做该区域的卷积层的值。然而，这只是源数据中的部分区域，源数据是7×7的矩阵，所以卷积核再通过移动映射的方式多次卷积，如下图。
该图中在卷积层的值与源数据之间还应有个3×3的卷积核，未画出。
通过上图可以看出，如果一个7×7×1像素的图片通过一个3×3×1的卷积核卷积，则被卷积后的值为5×5×1 !这里注意一点，还是以图片为例，若是图片像素是三维的(彩色图片)，则像素为7×7×3的图片必须使用三维的卷积核，并且第三维度也是3。
stride:步长
padding:扩展像素，填充像素
in:输入的模式数，
out：输出的模式数
W H：卷积核宽度长度
共享权值每个卷积核连接8×8个节点也就64个权重值，然而还有8×8×2个卷积核呢！这里出现了共享权值，共享权值就是每个卷积核对自己区域的权重比值都是相同的，所以仅需要给出64个权重比值即可，极大的减少了计算量。
池化池化层也叫采样层，作用是降低数据维度，主要有两个池化方式
最大池化
平均池化
以最大池化为例，有4个2×2的矩阵，则取每个矩阵中的最大值作为该矩阵的特征。
另一个就是平均池化，就是取矩阵中的平均值来作为该矩阵的特征
迁移学习[4,3,224,224]
4张，3rgb，244*244矩阵
对抗网络G生成的图像被D识别为真图像loss越小，D对于G生成的图像的判别正确率越高越好
单目标对象分类-》多目标对象分类-》多目标对象图像分割