严格来说，卷积层是个错误的叫法，因为它所表达的运算其实是互相关运算（cross-correlation），而不是卷积运算。在卷积层中，输入张量和核张量通过互相关运算产生输出张量。首先，我们暂时忽略通道（第三维）这一情况，看看如何处理二维图像数据和隐藏表示。若输入是高度为3、宽度为3的二维张量（即形状为3×3）。卷积核的高度和宽度都是2，而卷积核窗口（或卷积窗口）的形状由内核的高度和宽度决定（即2×

通常，我们选择2的若干次幂作为层的宽度。此外，由于我们的训练和验证误差之间的泛化误差很小， 我们有理由相信可以用一个更复杂的模型降低训练误差。与我们在sigmoid函数图像中看到的类似， 输入在任一方向上越远离0点，导数越接近0。另一方面，当我们的训练误差明显低于验证误差时要小心， 这表明严重的过拟合（overfitting）。特别是在深度学习领域，众所周知， 最好的预测模型在训练数据上的表现往往