**特征图：** 特征中往往编码了某种模式或概念在特征图的不同位置是否存在 **边界效应**：开始的输入尺寸为 28×28，经过第一个卷积层之后尺寸变为 26×26。  **填充**（padding）：在输入特征图的每一边添加适当数目的行和列，使得每个输入方块都能作为卷积窗口的中心。  `Conv2D`层，通过`padding`参数来设置填充 ： * `"valid"`表示不使用填充（只使用有效的窗口位置）（默认） * `"same"`表示填充后输出的宽度和高度与输入相同 **步幅**：两个连续窗口的距离是卷积的一个参数，叫作**步幅**，默认值为 1 **步进卷积**（strided convolution）：步幅大于 1 的卷积。步幅为 2 意味着特征图的宽度和高度都被做了 2 倍下采样。  **最大池化运算：** * 对特征图进行下采样，通常使用**最大池化**（max-pooling）运算。 * 最大池化是从输入特征图中提取窗口，并输出每个通道的**最大值** * 最大池化使用硬编码的`max`张量运算对局部图块进行变换 * 最大池化通常使用 2×2 的窗口和步幅 2  **为什么要用这种方式对特征图下采样？：** * 这种架构不利于学习特征的空间层级结构，卷积层的特征包含输入的整体信息太少。 * 最后一层的特征图的元素太多，参数太多，会导致严重的过拟合。 **使用下采样的原因：** * 减少需要处理的特征图的元素个数 * 通过让**连续卷积层的观察窗口**越来越大（即**窗口覆盖原始输入的比例**越来越大），从而引入空间过滤器的**层级结构**