是不是有点感觉了。
试想，如果两个滤波器都是用了，卷积是不是就能抓住图像的边缘特征了。
输出图像中的亮像素说明了原始图像的周围又很强的边缘。
这样一来，卷积就可以帮助我们寻找特定的局部图像特征，比如边缘。
填充通常来说，我们其实都希望输出图像能够跟原始图像的大小相同。但在上面的示例中，我们是以4×4图像为输入，以2×2图像为输出，那应该怎么解决这个问题呢？
填充。这时候就要谈到0的妙用了。
就是要在图像周围添加一圈“0”，而滤波器则也需要填充1个像素。
这样，输出跟输入的图像具有相同的尺寸，叫做相同填充。
卷积层卷积层就包含了上述的一组滤波器，卷积层的主要参数就是滤波器的数量。
对于MNIST CNN，如果使用带有8个滤波器的小型卷积层，那么输入为28×28，输出结果就变成了26×26×8 。
（因为是有效填充，它将输入的高度和宽度将减少2）
池化层图像中的相邻i像素往往都有相似的值，而经过卷积层也就能在相邻像素中产生了相似的值。这样就会导致卷积层输出的很多信息都是多余的。
就如上述的负责边缘检测的滤波器，它能够在某个位置上找到较强的边缘，但是从很可能在其相邻的一个像素也能找到较强的边缘，这样就造成了两个相同的边缘同时存在。
这样的话，就造成了信息的冗余，不会发现新的信息。
池化就解决了这个问题。池化，就是通过将输入中的值集中在一起，减少输入的大小。
通常，是通过一个简单的操作来完成的，比如取max、min或平均值。
下面是一个最大池化层的例子，池化大小为2的最大池化层。为了执行最大池化，以2×2块遍历输入图像，并将最大值放入对应像素的输出图像中。
