什么是卷积（Convolution）？卷积是一种数学运算，在CNN中，它通过滑动窗口（也称为卷积核或滤波器）在输入图像或特征图上滑动，并计算窗口内元素与对应卷积核元素的加权和（包括偏置项），从而生成输出特征图。什么是卷积核（Convolution Kernel）？卷积核是一个数学函数或二维矩阵，用于在图像处理和计算机视觉中进行特征提取。它是一个
可学习的权重矩阵，其大小通常远小于输入图像的大小，用于在输入图像上滑动并进行元素级的乘法累加操作。
什么是特征图（Feature Map）？特征图是卷积操作的结果，每个特征图都代表了输入图像在
不同卷积核下的特征响应。
卷积有哪些重要参数？卷积的重要参数主要包括卷积核大小（Kernel Size）、步长（Stride）以及填充（Padding），它们共同决定了卷积层的输出特征图的尺寸和特性。
卷积核大小（Kernel Size）：决定了感受野的大小，即每次卷积操作能够覆盖的输入区域大小。
步长（Stride）：决定了卷积核在输入图像或特征图上滑动的距离。步长为1表示每次滑动一个像素，步长大于1则表示每次滑动多个像素。
填充（Padding）：在输入图像或特征图的边缘添加额外的零值，以控制输出特征图的尺寸。常见的填充方式有“valid”（无填充）和“same”（填充后输出尺寸与输入相同）。
通道数（Channels）：对于输入图像，通道数指的是颜色通道数（如RGB图像的通道数为3）。对于卷积层，输出特征图的通道数由卷积核的数量决定。
如何进行卷积计算？通过卷积核在输入数据上滑动，计算每个位置上的加权和（包括偏置项），并可能应用激活函数，以生成输出特征图。
选择卷积核：卷积核是一个可学习的参数矩阵，其大小（如3x3、5x5等）和数量（即输出特征图的通道数）是超参数。
滑动窗口：将卷积核在输入图像或特征图上按指定步长（stride）滑动，每次滑动都计算窗口内元素与卷积核的加权和。
计算加权和：对于每个滑动位置，将窗口内元素与卷积核对应位置的元素相乘后求和，并加上偏置项（如果有的话），得到输出特征图上对应位置的元素值。
添加激活函数：通常，卷积操作后会接一个激活函数（如ReLU），以增加网络的非线性特性。
什么是池化（Pooling）？池化是卷积神经网络中的一种下采样操作。它通过对输入特征图进行局部区域的统计汇总（如取最大值、平均值等），得到一个尺寸较小的输出特征图。
池化操作会丢弃一部分特征信息，但保留了最重要的特征，从而实现了数据的压缩和特征的提取。池化操作通常紧随卷积层之后。
池化的常见类型有哪些？池化操作有多种方式，其中最常见的是最大值池化（Max Pooling）和平均池化（Average Pooling）。它们分别通过选取局部区域内的最大值和平均值来减少特征图的尺寸。
池化有哪些重要参数？池化窗口大小和步长是决定池化层输出尺寸的关键参数，窗口大小定义了覆盖区域，步长决定了滑动距离。
