1.单个卷积核 -> 单张图
一个5x5x3的卷积核卷积一次，形成一个平面，就是相当于学到“1”个特征
多来几个不同的卷积核，就能学习不同的特征
所以要有好多个卷积核
we are going to have a set of multiple filters
we stack these up to get a “new image” of 28x28x6
2.不同层学习的特征不同
不同的卷积层，学习到的是不同层级的特征，
low_level 可能是边缘啊，之类的
mid 可能是斑点。。
3.filter参数的计算公式
4.输出的计算公式
5.卷积核的个数通常是np.power(2,n)
如果需要保持图片H、W不变，只需要pad = f/2 即可 stride=1
6.1x1的卷积
7.步长的设置
取决于你图片的分辨率，和池化类似，但是效果比池化好
8.局部感受野和共享权重
图片来源
CS231n