这是看了张玉宏的《深度学习之美》做的笔记，这本书浅显易懂，娓娓道来，十分有趣！
1.计算机眼中的图像
对于如图 12-9 所示的左侧的图像，正常人很容易判定出，图像中分别是一个数字“8” 和一 只猫。
但是，对于计算机而言，它们看到的是数字矩阵（每个元素都是 0 到 255 之间的像素值）， 至于它们据此能不能判定出是数字“8”和猫，这要依赖于计算机算法，这也是人工智能的研究方向。
2.生活中的卷积
通俗来讲，所谓卷积，就是一个功能.
假设你的承受能力是一个在时间维度上的函数 ，而你“野蛮女友”的打脸操作为函数 , 那么卷积的概念，就是重新定义出来一个新的函数 （ 比如， h 用来刻画你的崩溃指数）： 。
在 2015 年中国计算机大会特邀报告上 ， 笔者有幸聆听了中国人工智能学会理事长李德毅院士的主题报告。 在报告中，李院士便提到了卷积的理解问题，非常有意思。
李院士说， 什么叫卷积呢？
举例来说，在一根铁丝某处不停地弯曲，假设发热函数是 ，散热函数是 ，此时此刻的温度就是 跟 的卷积。
在一个特定环境下，发声体的声源函数是 ， 该环境下对声源的反射效应函数是 ，那么在这个环境下感受到的声音就是 的和 的卷积。
类似的，记忆其实也是一种卷积的结果。 假设认知函数是 ，它代表对已有事物的理解和消化，遗忘函数是 ，那么人脑中记忆函数 就是函数 跟 的卷积。
那么，函数 和函数 一起“卷积”出来的，到底是一个什么样的函数呢，我劝你也别猜，反正它很复杂就是了.
3.为什么这个卷积核（或称滤波器）能够检测出特征呢？
一种通俗的解释为，在图像中，相比于背景， 描述物体的特征的像素之间的值差距较大（比如物体的轮廓），变化明显，通过卷积操作， 可以过滤掉变化不明显的信息（即背景信息 ）。
一个卷积核可以用来检测出图片中的一个特征，我们可以用多个卷积核来探测图像的不同特征。
这样说来，似乎还是非常抽象，这些特征到底是什么？
用一个简单的例子，理解卷积神经网络(CNN)做的事情。
确定一幅图像是包含有"X"还是"O"？
所以，每次给你一张图，你需要判断它是否含有"X"或者"O"，并且假设必须两者选其一，所以结果，不是"X"就是"O"，
对于计算机来说，只要图像稍稍有一点变化，不是标准的，解决这个问题就会变得不那么容易：
计算机要解决上面这个问题，一个比较天真的做法就是先保存一张"X"和"O"的标准图像，然后将其他的新给出的图像来和这两张标准图像进行对比，看看到底和哪一张图更匹配，就判断为哪个字母。
但是这么做的话，其实是非常不可靠的，因为计算机还是比较死板的。
在计算机的“视觉”中，一幅图看起来就像是一个二维的像素数组，每一个位置对应一个数字。在我们这个例子当中，像素值"1"代表白色，像素值"-1"代表黑色。
当比较两幅图的时候，如果有任何一个像素值不匹配，那么这两幅图就不匹配，至少对于计算机来说是这样的。
对于这个例子，计算机认为上述两幅图中的白色像素除了中间的 的小方格里面是相同的，其他四个角上都不同：
因此，从表面上看，计算机判别右边那幅图不是"X"，两幅图不同：
但是这么做，显然太不合理了！
理想的情况下，我们希望，对于那些仅仅只是做了一些像平移，缩放，旋转，微变形等简单变换的图像，计算机仍然能够识别出图中的"X"和"O"。
就像下面这些情况，我们希望计算机依然能够很快并且很准的识别出来：
这也就是CNN出现所要解决的问题。
特征提取（feature extraction）
对于CNN来说，它是一块一块地来进行比对。它拿来比对的这个“小块”我们称之为Features（特征）。
在两幅图中大致相同的位置找到一些粗糙的特征进行匹配，CNN能够更好的看到两幅图的相似性，相比起传统的整幅图逐一比对的方法，每一个feature就像是一个小图（就是一个比较小的有值的二维数组）。
不同的Feature匹配图像中不同的特征。在字母"X"的例子中，那些由对角线和交叉线组成的features基本上能够识别出大多数"X"所具有的重要特征。
这些features很有可能就是匹配任何含有字母"X"的图中字母X的四个角和它的中心。那么具体到底是怎么匹配的呢？如下：
看到这里是不是有了一点头目呢。但其实这只是第一步，你知道了这些Features是怎么在原图上面进行匹配的。
但是你还不知道在这里面究竟进行的是怎样的数学计算，比如这个下面3*3的小块到底干了什么？
接下来就跟进介绍里面的数学操作，也就是我们常说的“卷积”操作。
当给你一张新的图时，CNN并不能准确地知道这些features到底要匹配原图的哪些部分，所以它会在原图中每一个可能的位置进行尝试。这样在原始整幅图上每一个位置进行匹配计算，我们相当于把这个feature变成了一个过滤器。这个我们用来匹配的过程就被称为卷积操作，这也就是卷积神经网络名字的由来。