Stride的作用：是成倍缩小尺寸，而这个参数的值就是缩小的具体倍数，比如步幅为2，输出就是输入的1/2；步幅为3，输出就是输入的1/3。
卷积神经网络（CNN）有卷积层和池化层结构，这两层结构是CNN的重要组成部分。
卷积层就是通过若干个卷积核对上一层输入进行扫描，从而在较大程度上提取原始像素矩阵的特征，获得更多图像的抽象特征，卷积层的作用就是获得更多图像的抽象特征。
池化层能够在宽度和高度方向上缩小上一层矩阵的的大小，但深度并不会比上一层更深，此外，池化层能达到减少网络中参数的目的。
用熊大的身份证进行一下简单概括（判断该身份证是否属于熊大）：
1、首先需要一张被转换为像素矩阵的熊大照片，该照片记录了熊大的图像特征。这张图像的像素矩阵称为“卷积核”。
2、计算机会用这个“卷积核”即熊大图像的特征扫描身份证这个大图像，寻找是否有某个位置出现了熊大的特征。
3、将卷积核与身份证上某个位置的图像特征进行相似度计算，这个计算就是“卷积”，计算结果也接近1，则代表相似度越大，卷积的越成功。
如果利用卷积核在身份证这个大图像的整个平面上扫描，且没有出现特别强的相似性，则说明身份证上没有熊大的照片出现。熊大图像是否出现在身份证上，只依赖于计算出的相似特征的最大值，即只需要有一个局部图像与熊大照片非常相像，就可以认为身份证上出现了熊大头像。如果最大值不够大，则认为身份证图像中没有出现过熊大的图片。因此，卷积核在图像上不断扫描的过程中，我们只关心卷积计算结果的最大值。这个最大化的操作，就是一种特殊的池化方法，被称为最大值池化。简而言之，卷积就是计算某种局部的相似性，而池化就是将某种最突出的相似性选择出来。
卷积
卷积是一种特殊的线性运算，用来代替一般的矩阵乘法运算。在图像处理中，针对图像的像素矩阵，卷积就是用一个卷积核来逐行逐列地扫描像素矩阵，并与像素矩阵中的元素相乘，由此得到新的像素矩阵，这个过程称为卷积。
进行卷积时张量X的维度和卷积核K的维度保持一致，一维张量可表示为向量（有数字组成的数组）、二位张量可表示为矩阵（由向量组成的数组）、三维与更高维的张量可表示为由多个矩阵组成的数组。
卷积运算有3种类型：full卷积、same卷积、valid卷积。
卷积的形式只有same和valid两种。
full卷积的计算过程：K在X上按照先行后列的顺序移动，对应位置元素相乘，最后求和，只要像素矩阵与卷积核元素有一个位置重叠就要计算，并将落在像素矩阵外的元素全部视为0。
same卷积：首先需要为K指定一个起始点，然后将起始点按照先行后列的顺序移动到X的每一个位置处，对应位置的值相乘然后求和。
假设卷积核K的高等于H，宽等于W，起始点的位置可以用如下方式进行确立：
valid卷积（卷积核K没有延伸到X以外的情况）：它只考虑X能完全被K覆盖的情况。
以上的例子都是属于单通道卷积。
但是在实际的生活当中，更为常见的是多通道卷积，如彩色图像，它是3通道的像素矩阵。
深度数等于通道数等于卷积核数：黑白图像则深度为1，因为只有一个通道；彩色图像则深度为3，因为有3个通道。
以下均用valid卷积：
基本的多通道卷积如下：
3行3列2深度的三维张量X与2行2列2深度的三维卷积核K
单个张量与多个卷积核的卷积如下：
多个张量与多个卷积核的卷积如下：
在每一通道上分别卷积如下：
将张量与卷积核对应的每一层进行线性运算，但是不将每一层的结果相加。
单个张量与多个卷积核在通道上分别卷积如下：
池化
池化操作是对卷积得到的结果进一步处理，