1.什么是卷积
在图像上滑动，取与卷积核大小相等的区域，逐像素做乘法然后相加
例如原始图像大小是5*5，卷积核大小是3*3。首先卷积核与原始图像左上角3*3对应位置的元素相乘求和，得到的数值作为结果矩阵第一行第一列的元素值，然后卷积核向右移动一个单位（即步长stride为1），与原始图像前三行第2、3、4列所对应位置的元素分别相乘并求和，得到的数值作为结果矩阵第一行第二列的元素值，以此类推。
故卷积就是：一个核矩阵在一个原始矩阵上从上往下、从左往右扫描，每次扫描都得到一个结果，将所有结果组合到一起得到一个新的结果矩阵。
2.为什么用卷积来学习
图像都是用方形矩阵来表达的，学习的本质就是要抽象出特征，以边缘检测为例。它就是识别数字图像中亮度变化明显的点，这些点连接起来往往是物体的边缘。
传统的边缘检测常用的方法包括一阶和二阶导数法，本质上都是利用一个卷积核在原图上进行滑动，只是其中各个位置的系数不同，比如3*3的sobel算子计算x方向的梯度幅度，使用的就是下面的卷积核算子。
如果要用sobel算子完成一次完整的边缘检测，就要同时检测x方向和y方向，然后进行融合。这就是两个通道的卷积，先用两个卷积核进行通道内的信息提取，再进行通道间的信息融合。
这就是卷积提取特征的本质，而所有基于卷积神经网络来学习的图像算法，都是通过不断的卷积来进行特征的抽象，直到实现网络的目标。
3，卷积神经网络的优势在哪？
前面说了全连接神经网络的原理和结构上的缺陷，而这正好是卷积的优势。
(1) 首先是学习原理上的改进，卷积神经网络不再是有监督学习了，不需要从图像中提取特征，而是直接从原始图像数据进行学习，这样可以最大程度的防止信息在还没有进入网络之前就丢失。
(2) 另一方面是学习方式的改进。前面说了全连接神经网络一层的结果是与上一层的节点全部连接的，100×100的图像，如果隐藏层也是同样大小（100*100个）的神经元，光是一层网络，就已经有 10^8 个参数。要优化和存储这样的参数量，是无法想象的，所以经典的神经网络，基本上隐藏层在一两层左右。而卷积神经网络某一层的结点，只与上一层的一个图像块相连。
用于产生同一个图像中各个空间位置像素的卷积核是同一个，这就是所谓的权值共享。对于与全连接层同样多的隐藏层，假如每个神经元只和输入10×10的局部patch相连接，且卷积核移动步长为10，则参数为：100×100×10×10，降低了2个数量级。
又能更好的学习，参数又低，卷积神经网络当然是可以成功了。
4.卷积神经网络的核心基础概念
在卷积神经网络中，有几个重要的基本概念是需要注意的，这在网络结构的设计中至关重要。
(1) 感受野
直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野是CNN中的某一层输出结果的一个元素对应输入层的一个映射，即feature map上的一个点所对应的输入图上的区域，具体示例如下图所示。
如果一个神经元的大小是受到上层N*N的神经元的区域的影响，那么就可以说，该神经元的感受野是N*N，因为它反映了N*N区域的信息。在上图conv2中的像素点5，是由conv1的2*2的区域计算得来，而该2*2区域，又是由raw image中5*5的区域计算而来，所以，该像素的感受野是5*5。可以看出感受野越大，得到的全局信息越多。在物体分割，目标检测中这是非常重要的一个参数。
(2) 池化
有了感受野再来解释池化（pooling）也很简单，上图的raw image到conv1，再到conv2，图像越来越小。每过一级就相当于一次降采样，这就是池化。池化可以通过步长不为1的卷积实现，也可以通过pool直接插值采样实现，本质上没有区别，只是权重不同。
通过卷积获得了特征之后，下一步则是用这些特征去做分类。理论上讲，人们可以把所有解析出来的特征关联到一个分类器，例如softmax分类器，但计算量非常大，并且极易出现过度拟合（over-fitting）。而池化层则可以对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。
一般而言池化操作的池化窗口都是不重叠的，所以池化窗口的大小等于步长stride。如下图所示，采用一个大小为2*2的池化窗口，max pooling是在每一个区域中寻找最大值，这里的stride=2，最终在原特征图中提取主要特征得到右图。
除此之外，还有卷积核的大小，卷积的步长，通道的边界填充值等等，都是很好理解的基本概念。
一般的，卷积核边长大小F为奇数：
1、方便padding = same卷积操作，左右（上下）两边对称补零；
2、奇数卷积核有中心像素，便于确定卷积核的位置。
被卷积对象的大小为n*n,卷积核大小为k*k,padding幅度为(k-1)/2
如何计算加padding之后的新合成图的(w,h)?
w=h=n+2p-f+1
卷积后的输出为n+2*(k-1)/2-k+1=n,即卷积输出为n*n,保证了卷积前后尺寸不变
如何计算无padding新合成图的(w,h)?
w=h=n-f+1