参考视频：卷积神经网络（CNN）到底卷了啥？8分钟带你快速了解！
我们知道：
图片是由像素点构成，即最终的成像效果是由背后像素的颜色数值所决定
在Excel中：有这样一个由数值0和1组成的6×6的区域
我们把0设置成黑色、1设置成白色。最终呈现的效果，是不是很像数字7？
而CNN模型能够告诉我们
这样一个6×6的像素图，是否是数字7？或返回它属于数字0~9的概率分别是多少？
下面，我们对这个CNN模型进行分解：
CNN模型第一步：提取特征，得到特征图
1、利用多个不同的卷积核（也称特征过滤器，如 3×3、5×5）对图像做滑动窗口计算
2、每一个卷积核计算完成后，会得到一张对应的特征图（一核对一图）
本例中，需提取水平和垂直两大特征部分，分别在下面的两个3×3的卷积核中得到体现
滑动窗口计算规则：
1、先按顺序提取原始图片中3×3的像素区域
2、再将其每个像素单元依次与卷积核内相对应的像素值相乘，再求和
3、再把结果记录在新的4×4的像素图上。
注意：输入图像、卷积核、特征图、池化核的尺寸大小，有数学公式关系
这部分主要由卷积操作的参数（如核大小、步长、填充）决定
本例整个计算完成后，我们会得到两个4×4的特征图（一个卷积核对应一个特征图）
我们可以看到：
根据特征图的颜色深浅（数字大小），原始图片中的7
垂直部分特征被很好提取出来了（明显），而水平部分特征却没被提取出来（不明显）
这是因为在特征提取计算的过程中，像素图从原6×6被降维成了4×4，边缘特征丢失了
这里使用一种被称为Padding的扩充方法，为了解决边缘特征的提取问题
将原始的6×6图像，先扩充成8×8，扩充部分的像素值均设为 0
这样，在特征提取计算后，转化后特征图的像素同为6×6，最终两个特征都能完美提取到
CNN模型的第二步：最大池化Max Pooling
常用最大池化或平均池化，使用池化核（如 2×2）对特征图降采样，减少参数数量和计算量，降低数据维度。换句话说，就是将图片数据进一步压缩，仅反映特征图中最突出的特点。
1、将6×6的特征图，用2×2的网格（池化核），分割成3×3的部分
2、再提取每个部分中的最大值
3、再放于最大池化后的3×3网格中。池化后的数据保留了原始图中最精华的特征部分
注意：输入图像、卷积核、特征图、池化核的大小之间，有数学公式关系
这部分主要由卷积操作的参数（如核大小、步长、填充）决定
CNN模型第三步：把池化后的数据，做扁平化处理
1、把池化后的两个3×3的像素图，叠加转化成一维的数据条（一维向量）
2、再将数据条录入到后面的全连接隐藏层，最终产生输出
这里提一点：全连接隐藏层
意味着这里的任意一个神经元都与前后层的所有神经元相连接
这样就可以保证，最终的输出值，是基于图片整体信息的结果
在输出阶段：
可使用Sigmoid函数，返回0~1的值，代表该图片是否是7的概率
也可用Softmax函数，返回该图案分别属于0~9的概率
到这里，一个完整的CNN模型的数据流就完成了！
