在概率论中，卷积表示成这样
连续型
离散型
并且也解释了，先对g函数进行翻转，相当于在数轴上把g函数从右边褶到左边去，也就是卷积的“卷”的由来。
然后再把g函数平移到n，在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的“积”的过程。
下图很好地表示了卷积的过程
在图像处理中，同样需要卷积来减小运算量。
现在一个图片动则几MB，考虑三种颜色，参数可能至少上百万，单个图片就如此高，那么多个图片更不用想了。
于是我们通过卷积来减小运算量。
具体的，如下图，我们定义一些卷积核函数，这些函数能表示图像中的特征，且可以通过组合卷积核来拼凑出完整的图像。
我们将卷积核逐个上面原始图片，将卷积后的值作为卷积后特征
可以看出，卷积后的结果没有减少太多资源，因为只有n-1行(列)被消除了
我们可以考虑将卷积后的结果降维，最简单的当然是分成几块各自运算没有重复。
这个部分就是最后一步了，经过卷积层和池化层处理过的数据输入到全连接层，得到最终想要的结果。
经过卷积层和池化层降维过的数据，全连接层才能”跑得动”，不然数据量太大，计算成本高，效率低下，还会出现过拟合。