卷积，一直是一个很耳熟但是却又不知道是什么的东西
如上图所示，卷积被定义为：
设F(x)和g(x)是定义在无穷区间上的两个连续时间信号，则将积分
定义为f(x)和g(x)的卷积，记为f(x)*g(x)。
其中，函数g一般称为过滤器(filters)，函数f指的是信号/图像。
在数学上，卷积核的标准定义是两个函数在反转和移位后的乘积的积分：在卷积神经网络里，卷积核其实就是一个过滤器，但在深度学习里，它不做反转，而是直接执行逐元素的乘法和加法，我们把这个又称为互相关，在深度学习里称为卷积。
引用自—— https://pic1.zhimg.com/v2-edda9924652a3d3d0268bd4d2752a6f4_b.webp
图中重叠部分的面积就相当于t处的卷积直观上，我明白了卷积的物理含义：函数 f 和 g 在 t 时刻的卷积表征为函数 f 与经过翻转和平移的 g 的重叠部分的面积。卷积即为面积、面积就是积分、积分便为叠加。
好了回归slide，有一个显而易见的例子，图示如下
卷积中有一个重要的理念为低通滤波器（low pass filter）
上边我们提到了，g函数就是一个过滤器。一般来讲，每个卷积核具有长、宽、深三个维度。
卷积核的长、宽都是人为指定的，长乘宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等。在这个例子中我们的卷积核是【1 1 1 1 1】
