第1层超参数：f[l]=3(过滤器大小)；s[l]=1(步长)；p[l]=0(padding大小)；n[l]C=10(过滤器个数)第1层输出图像：37*37*10，符号表示：n[1]H=n[1]W=37 ;n[1]c=10
第2层超参数：f[2]=5；s[2]=2；p[2]=0；n[2]C=20
第2层输出图像：17*17*20，符号表示：n[2]H=n[2]W=17 ;n[2]c=20
第3层超参数：f[3]=5；s[3]=2；p[2]=0；n[3]C=40
第3层输出图像：7*7*40，符号表示：n[3]H=n[3]W=17 ;n[3]c=40
- 将第三层的输出展开成1960个元素
- 然后将其输出到logistic或softmax来决定是判断图片中有没有猫，还是想识别图像中K中不同的对象
卷积神经网络层的类型： - 卷积层(convolution,conv)
- 池化层(pooling,pool)
- 全连接层(Fully connected,FC
卷积层
下面的动态图形象地展示了卷积层（单层）的计算过程：