卷积神经网络的结构及原理
卷积层
卷积运算一个重要的特点就是：通过卷积运算，可以使原信号特征增强，并且降低噪音。
以二维为例，卷积核在二维平面上平移，对应位置相乘，得到一个新图像，即对图像的每个像素的邻域（邻域大小就是核的大小）加权求和得到该像素点的输出值。
池化层
通常使用的池化操作为平均值池化(average-pooling)和最大值池化(max-pooling)。
池化层不包含需要学习的参数使用时仅需指定池化类型(average或max)、池化操作的核大小(kernelsize)和池化操作的步长等超参数即可。
！！！注意区分卷积和池化步幅的移动，都是需要定义的
池化层的引入是仿照人的视觉系统对视觉输入对象进行降维（下采样）和抽象。池化层有三种功效：
1.特征不变性。池化操作使模型更