结合代码和文档学习更快，这是最原始的代码，你可以逐步调试理解每步参数的变化，设置网络层次结构修改卷积核数量，大小，迭代次数等，当你修改卷积核大小和层次结构时要注意图像大小的变化，出现图像是奇数，下采样是 偶数就会运行出错

结合代码和文档学习更快，这是最原始的代码，你可以逐步调试理解每步参数的变化，设置网络层次结构修改卷积核数量，大小，迭代次数等，当你修改卷积核大小和层次结构时要注意图像大小的变化，出现图像是奇数，下采样是 偶数就会运行出错

在跑一份代码时，效果一直提升不上去，偶然将3 * 3的卷积核换成了4 * 4的卷积核，效果奇佳，于是搜索了一下卷积核的大小对网络性能的影响，总结如下： 1.大卷积核和小卷积核 显然，大卷积核的感受野更大，自然提取特征的性能更好，一个5 * 5的卷积核可以由两个3 * 3的卷积核替换，但是带来的代价是：大卷积核的计算速度更慢，参数量更多。因此，通常使用小卷积核，小卷积核所需要的参数量更少，且产生了更多的特征 2.奇数卷积核和偶数卷积核 “Convolution with even-sized

高斯滤波 高斯滤镜将图像，滤镜尺寸和标准偏差作为输入。 高斯滤镜用于模糊图像。 用于减少噪点和图像细节。 在对局部区域和高斯核进行卷积时，会将最高强度值赋予局部区域的中心部分。 随着距中心的距离增加，其余像素的强度降低。 在测试脚本中，已经产生了具有归一化随机正态分布的第一噪声。 然后添加到图像。 期望执行平滑效果的测量。 为了计算图像的高斯滤波，创建了一个新的m函数，即“ gaussian（）”函数。 为了防止任何大小崩溃，该代码段不允许用户使用给定的偶数编号的过滤大小运行测试脚本到高斯函