大家好，昨天對卷積神經網路(CNN)做了簡單的介紹，認識與其他深度神經網路的不同，因為多了卷積層和池化層，在處理輸入時不需要先變成一維張量，並且對影像資料擷取局部資訊，而非全局資訊，這些特性使CNN在影像辨識上更具優勢。今天就要對卷積層進行介紹。

卷積層(Convolution Layer)的原理是透過卷積核(Kernel)在圖片上進行滑動，對圖片局部資訊進行擷取，並藉由填補(Padding)與步幅(Stride)控制卷積層輸出的特徵圖(Feature map)。接下來就分別介紹卷積核、填補和步幅。

卷積核具有長度、寬度、深度三個維度，長與寬是自己設定，大小常設定為奇數(如3X3或5X5)，深度會與當前影像深度相同。卷積層中可以有多個卷積核，需要多少個卷積核是根據下一層要有多少特徵圖決定。

填補是在要處理輸入與輸出不一致的問題時使用，若是輸入是4X4的影像，卷積核大小是3X3，在不使用填補的情況下輸出會變成2X2，會有部分影像損失，在用填補處理的情況，會在原本的影像周圍用零填補，以上面的例子，原本4X4的影像經過填補處理後變成6X6的影像，最後經過計算的輸出影像會是4X4。

步幅是指卷積核每一次滑動的距離，一般設定都是為1，但也可以設定大於成1，通常是用來縮小影像，以減少後面要進行的運算量，假設影像輸入是5X5，卷積核大小是3X3，步幅設定為2，最後輸出大小會是2X2。

今天先介紹了卷積層與部分參數，明天就會進入卷積層的計算。