所有神经网络公式本质是映射：Y=WX+B
卷积：分析数学概念
1、cnn不是全连接
和普通神经网络不同的是，两层之间不是全连接。这个大大降低计算量。用一个局部视窗（可比如人的眼睛）
2、节点
就是神经元
通常一个节点可能是一个数值，在cnn中一般是一个矩阵
3、卷积核
一个卷积核 可比喻一个人的眼睛.表示为 n*m。参数需要训练获得，
一个过滤器 filter 有多个卷积核(也就是通道数量).表示为n*m*channle 某一层滤波器的通道数 = 上一层特征图的通道数。某一层输出特征图的通道数 = 当前层滤波器的个数。
一个隐藏层中 可有多个filter
打个比喻：
卷积核： 一个眼睛 n*m
通道： 一个人有几个眼睛
filter： 一个人
深度： 共有几个人
综上，在tensorflow 使用中，cnn结构一般用四维矩阵表示 n*m*channle*depth。
n*m 是窗口大小 比如 3*3 表示卷积核；
channle 通道，比如3通道，一般和输入层通道相同，在此通道可比喻人的2个眼睛，还有三只眼（二郎神 哈）；
depth 深度，实际就是filter的数量，可比喻几个人。5*5*3*6 表示为：眼睛大小5*5，每个人三个眼睛（通道），总共六个人
4、卷积层
通过卷积核 输出
卷积的计算公式：
输入图片的尺寸：一般用 n*n 表示输入的image大小。
卷积核的大小：一般用 f*f 表示卷积核的大小。
填充（Padding）：一般用 p 来表示填充大小。
步长(Stride)：一般用 s 来表示步长大小。
输出图片(卷积层输出的层)的尺寸：一般用 O来表示。
o= (n+2p-f)/s +1 若是小数，向下取整数。
动画：
参考文章
https://blog.csdn.net/qingqingpiaoguo/article/details/53053768