第二章：理解卷积操作
2.1 卷积的基本概念
卷积操作可以类比为你在家中做菜的过程。想象你要做一道简单的番茄炒蛋。你不会将整个番茄和鸡蛋一起扔进锅里，而是先切成小块，然后在锅里翻炒。这种局部感知和局部操作就像卷积操作中的核心思想。
2.2 卷积核与特征提取
在番茄炒蛋中，番茄和鸡蛋就像是输入数据，而你加入的调味料（盐、胡椒等）则是卷积核。不同的调味料赋予食物不同的味道，卷积核也能够提取输入数据中的不同特征，比如边缘、纹理或颜色。
2.3 填充与步幅的作用
在做番茄炒蛋时，锅底放少许油可以防止食物粘连，这就是填充（padding）的作用。而你在翻炒时的移动距离就像是步幅（stride），步幅的大小决定了每次卷积核在输入数据上移动的距离。
第三章：卷积神经网络架构
3.1 LeNet-5：经典的卷积神经网络
LeNet-5可以比作是一份经典的炒菜配方。它由卷积层、池化层和全连接层组成，就像是炒菜的步骤：先热锅、加油（卷积层）、翻炒（池化层）、最后上菜（全连接层）。这个结构被广泛应用于手写数字识别，其简单而有效的设计体现了卷积神经网络在图像识别中的优势。
3.2 AlexNet：开启深度学习
