Fully Connected Layer
对于一个32×32的RGB图像，有三个颜色通道，故转换成30172×1的向量
Wx 10×3072表示有10个类别，每个类别的权重用1×3072的向量表示，图像向量与类别权重作点乘即得到每个类别的评分
Convolution Layer
5×5×3 的卷积核用来做过滤器
图像是32×32×3的 ，所以卷积核需要在图像上滑动才能在空间覆盖整张图像
做点乘的时候，为方便计算依然是转成向量的方式
当卷积核从图像的边角处开始，以步长为1的速度划过整张图，对每一个位置都进行点积运算，得到一个28*28*1的activation map
如果我们使用6个5*5*3的卷积核，则得到一个28*28*6的activation maps
在这里，原始图像深度为3，中间的激活映射深度为6，绿色的深度是10，一个深度递增的过程，也是实践中得到的经验
具体的在操作中卷积核的大小，滑动的步长，采用多少个卷积核都需要视情况而定
卷积核通常从图像（输入层）的边界处开始滑动，从左往右，从上往下，移动的步长通常可以设为1, 2，...等，输出的activation map的尺寸的计算公式为（N - F）/stride + 1 ，
N表示输入尺寸
F表示卷积核的尺寸
stride表示步长
上图中的N = 7，F = 3，当步长等于1或2时，都没有问题，但当步长等于3时，卷积核不能完全覆盖整个输入
In practice: Common to zero pad the border
做零填充的目的是为了保持输入图像的尺寸，假如你有多个卷积层时，输入层的迟钝会迅速缩小，这样就丢失了很多信息，你只能用到很少的值来表示你的原始图像，另外每次图像尺寸缩小，边角处的信息也会丢失更多
