使用卷积网络处理图像数据有两个原因。
1 .图像用像素点信息表示数据，数据之间的相关性用像素位置来表示，图像数据中的观察对象是一个像素区域，通过卷积网络提取特征信息可以逐块提升
2 .在dnn网络中，网络的体系结构与输入数据的维度相关，用于分析高分辨率图像时，网络包含许多参数。 因此，为了防止过拟合，需要更多的训练样本。 使用卷积网络可以进行区域特征提取，而无需设计大输入维的网络架构
边缘检测卷积网络主要用于图像特征的提取，浅层卷积网络提取边缘，也称为边缘检测，深层卷积网络提取整体特征。
边缘检测可参考下图提取有亮度信息的垂直边缘
从上面的垂直边缘检测器可以联想到下图所示的水平边缘检测器
初始的图像边缘提取中还有经典的soble算子(重视中间像素，提高鲁棒性)、scharr算子
在卷积网络中，这个33滤波器总共包含9个参数，可以通过反向传播计算得到能够提取任意角度的滤波器
padding和stride在进行卷积操作时，有两个常用的参数设定： padding、stride。
padding有两种用途
1 .解决卷积操作后图像缩小的问题
2 .如果不对图像进行padding，边缘像素将只进行一次卷积操作，中间像素点将进行多次卷积操作，边缘像素信息将丢失
下图显示了padding为1的图像卷积运算。 进行卷积运算后，图像的大小不变
(62padIngerneL1(66 ) 62*padding-kernel1) rightarrow6*6) 62paddingkernel1)66
在一些深度学习网络框架中，在设置卷积层时可以设置不同的模式，在许多情况下，valid和same被设置，其区别在于卷积的三个模式：full、same、valid
stride用于设置卷积移动的步幅，卷积特性图的尺寸计算公式： fo=fin 2pks1f _ o=l floorfrac { f _ { in }2 timesp-k } { s }s lfloorrfloor是向下四舍五入的符号，表示无法整除时向下四舍五入，k是卷积核大小，s是步长，卷积网络中特征大小的计算是我的博文深度学习网络