局部关联：每个神经元看作一个filter / kernal；

窗口滑动，filter对局部数据进行计算；

深度depth、步长stride、填充值zero-padding。

人的大脑识别图片过程

1. 由不同皮质层处理不同方面数据：颜色、形状、光暗等。
2. 将不同皮质层处理结果进行合并映射操作。
3. 得出最终结果值。
   前面实质是局部观察结果，后面是整体合并结果。
   
   **局部感知：**图像的空间联系只是局部的像素联系较紧密，远距离像素相关性弱，所以每个神经元没有必要对全局像素感知。对局部感知，在更高层次对局部信息进行综合操作得出全局信息。
   卷积理解

全连接特征

卷积计算层演示

原图像大小：8×8；窗口大小：3×3；步长：1；新图像大小：6×6。










新图像元素结果 = 两窗口区域对应位置数据乘积和。

RGB图片输入卷积计算过程

输入RGB图片时，输入的一个向量，三通道图片。

1. 局部感知：计算时，将图片划分为一个个区域进行计算。
2. 参数共享机制：每个神经元连接数据窗的权重固定。
3. 滑动窗口重叠：降低窗口之间的边缘不平滑特性。
4. 固定每个神经元的连接权重，将神经元看成一个模板（卷积核），即每个卷积核只关注一个特性。从而大大减少计算权重个数。
5. 卷积：一组固定的权重和窗口内数据做矩阵内积后求和的过程。

示例：卷积核

原始输入一个channel的图像，分别做四个不同的卷积操作，输出得到四个feature map的结果。这四个feature map相当于从四个不同的角度去衡量/观测这个原始图像得到的特征信息。