卷积神经网络中的卷积核、padding和pooling

    首先贴一下原文：https://www.zhihu.com/question/22298352

    本想自己写一下卷积核是怎么进行卷积操作的，但是发现上文中讲述的很好，这里就直接转过来。我在这里补充一下padding和pooling也就是填充层和池化层。

    padding的用途：保持边界信息，如果不加padding层的话，最边缘的像素点信息只会卷积核被扫描到一次，但是图像中间的像素点会被扫描到很多遍，那么就会在一定程度上降低边界信息的参考程度，但是在加了padding之后，在实际处理过程中就会从新的边界进行扫描，就从一定程度上解决了这些问题。还有一点就是可以利用padding层来对输入尺寸有差异图片进行补齐，是的输入图片尺寸一致。

    池化层的功能：第一，又进行了一次特征提取，所以能减小下一层数据的处理量。

                            第二，能够获得更为抽象的信息，从而防止过拟合，也就是提高了一定的泛化性

                            第三，由于这种抽象性，所以能对输入的微小变化产生更大的容忍，也就是保持了它的不变性，这里的容忍包括图像的少量平移、旋转缩放等操作变化。

    这篇文章记录我对卷积核、padding和pooling的一下看法，当然了由于才疏学浅，肯定有不足之处，这里也欢迎大家批评指正。