1、灰度圖像，邊緣檢測， 使用核函數的缺點，圖像的向量會不斷的縮小，另外一個就是邊緣的向量相比於中間的向量被覆蓋的次數會少很多。解決這個的方法就是padding在圖像的周圍再添加一圈向量。
2、核函數通常是奇數維向量
3、卷積層，
池化層：選出某一區域的最大值，另外還有 平均池化，就是求一個小區域的均值
，全連接層：類似於普通的神經網絡，將最后的比如120*1的列向量全連接映射到80*1的列向量上
4、通常是一個卷積層后面跟一個池化層，然后有多個卷積層和池化層，也可以多個卷積層后跟一個池化層。最后加上幾個全連接層，最后再加上softmax函數等。
5、卷積神經網絡的作用，簡而言之就是在保持圖片特征的前提下，縮小圖片所含的元素，這個可以從向量逐漸變小看出來。這樣也能減少神經網絡所需要的參數，以便整個網絡的快速形成。
6、le NET-5：針對灰度圖訓練出來的：
7、AlexNet:
8、vgg-16:
9、ResNets:殘差網絡
在第二層進行激活函數之前加上第一層的輸入，一起輸入到激活函數里。來運算。普通的網絡隨着層數的增加，訓練錯誤也會增加，因此誤差剛開始隨着層數的增加，逐漸降低，但是當達到一定層數之后，誤差就會逐漸升高，但是殘差網絡有助於改善這一情況。並且會減弱梯度爆炸以及梯度消失的情況。
10、1*1的卷積核可以幫助壓縮圖像的信道，即厚度
11、inception網絡：
訓練參數來決定使用哪一個卷積層，即給每個卷積層或者池化層加上權重，然后訓練網絡，讓網絡來決定使用哪一個卷積層，1*1可以減小計算規模，即在一般的卷積話層之間先加一個1*1的卷積層，過度一下（有時也稱為瓶頸層，因為是利用1*1先縮小厚度，然后再使用卷積層增加到目標厚度，這樣一層化為兩層，原來的乘法運算被划為先分乘，再加在一起）。
12、inception網絡：
13、遷移學習，當數據量非常小時，將前面的層凍結起來，只訓練最后一層，或者凍結前面部分的層，訓練后面一部分的層的參數，如果數據量大時，也可以使用別人訓練好的參數作為初始化的參數，然后再來訓練所有的層
14、目標檢測：目標檢測中y被定義為一個含有坐標的標簽：
15、yolo算法，
16、交並比：lou
17、anchor box
18、R-CNN：區域卷積神經網絡，