使用CNN做边缘检测时，根据使用的filter不同，会得到不同的效果。比如垂直的边缘检测一般使用的filter

水平边缘检测会使用不同的filter

padding 填充

在使用filter对图像做卷积处理时，我们会发现两个问题：1.每次卷积操作之后图像的尺寸会缩小；2.边缘图像点只能被较少的信息点覆盖，而核心部分的信息可以被较多的信息点覆盖。为了解决这两个问题，我们就需要对原始图像进行填充，可以在图像的周边进行填充。
填充方式分两种：Valid padding:也就是不进行填充；Same Padding:就是填充似的卷积之后的图像大小与原始图像一样，比如说当filter大小为f时，填充的大小为p=(f-1)/2.

stride 步长

图中的括号操作表示向下取整。
在深度学习中我们说的卷积操作一般是直接将原始图像与filter点乘求和，这在严格的数学定义中称之为互相关操作，定义的卷积操作是对filter做垂直镜像和水平镜像之后再与原始图像点乘求和，翻转之后的核称为“翻转核”，但在深度学习中为了简便，我们一般不对核做翻转，直接求互相关，也称为卷积。

多通道的卷积

对于RGB图像，原始图像点每个点由三个颜色组成，因此此时的filter就是3通道，每个filter提取一个边缘特征，多个filter可以提取不同的特征。

pooling 池化

池化是为了保存在某个区域中所提取到的特征的最大值。

卷积神经网络

卷积神经网络由三层组成：卷积层，池化层和全连接层。
随着深层网络深度的增加，每一层的高度与宽度减少，通道增加，到达全连接层时展开为一个向量。卷积层的参数比较少，池化层没有参数，全连接层参数较多。
为什么使用卷积？
1.参数共享：对一个区域有效的特征探测器可能对另外一个区域也是有效的，因为他们检测的只是在某个区域中是否出现该特征；
2.稀疏交互：每一个输出值只取决于一小部分的输入。