卷积神经网络主要是处理一些有关图像处理的问题，众所周知，现在照片的图像表示是通过像素点完成的，一张图片是可能有由
个像素点组成的，每个像素点上又有代表了该像素点特征的信息，如RGB下分别有R值G值和B值（分别代表red，green和black）。
简单起见，我们可以把图像看成二维的具有长宽两个维度二维向量的输入。
互相关（crosscorrelation）
先来说说互相关，给一个二维的输入，我们那一个二维的滑动窗口，如下图给的是一个
的输入， 一个
的滑动窗口即核（kernel）。
两个蓝色块是目前选中的互相关运算区域，分别记为
和
，这个区域需要是维度相同的区域，图中所示都是
的区域，对两个区域中处于相同位置的元素做乘法，然后相加求和，即
。 该例中为
。 然后我们让窗口在输入矩阵上想右以及向下滑动， 以图中为例分别是
其上的互运算同理。
从互运算到卷积
其实了解了互运算，卷积（convolution）也差不多了。
假设卷积核是一个
的二维向量，卷积就是把互相关翻转了一下，变成了左上角乘右下角，右上角乘坐上角，即
(以1为下标起点)
带入第一个例子， 就变成了
(没算错吧，逃)
然后我们的CNN（最基础版）基本上就是把图像层使用卷积层处理之后，扔进MLP去训练，训练中一并把卷积核一起更新了。
所以我们引进了卷积，到底有什么帮助了呢。
通过卷积我们可以把图片进行了一个局部特征的提取（调参警告），有利于我们提取边缘特征，这样更方便我们对物体进行识别。
明天如果赶完作业的话，拿张炮姐的图输出下卷积后的效果试试看好了。
