卷积的出现，考虑到目前图片都比大，使用全连接参数太多学习太慢。
为什么使用卷积核
希望能够学习到图片内容的边界。
卷积核的维度一般为奇数
为什么需要padding
1. 因为使用卷积核，filter做特征时，会降低维度。
2. 原始图片的边界信息使用的太少了。
原图片为n n
卷积核为 f f
Padding为pp
Strides为ss
卷积后的维度为(n+2p-f)/ s + 1，向下取整
机器学习中的卷积与数学上的卷积不同，没有进行翻转，本文的卷积在数学上称为交叉相关。机器学习领域把它们称为卷积～
如果原图rgb，那么卷积核的维度应该与其一致，也是3维。卷积核的个数将作为输出的维度（第三维）
卷积优点：
参数共享，相比全连接，参数更少，只有卷积核的大小，速度快。
