**特征圖：** 特征中往往編碼了某種模式或概念在特征圖的不同位置是否存在 **邊界效應**：開始的輸入尺寸為 28×28，經過第一個卷積層之后尺寸變為 26×26。  **填充**（padding）：在輸入特征圖的每一邊添加適當數目的行和列，使得每個輸入方塊都能作為卷積窗口的中心。  `Conv2D`層，通過`padding`參數來設置填充 ： * `"valid"`表示不使用填充（只使用有效的窗口位置）（默認） * `"same"`表示填充后輸出的寬度和高度與輸入相同 **步幅**：兩個連續窗口的距離是卷積的一個參數，叫作**步幅**，默認值為 1 **步進卷積**（strided convolution）：步幅大于 1 的卷積。步幅為 2 意味著特征圖的寬度和高度都被做了 2 倍下采樣。  **最大池化運算：** * 對特征圖進行下采樣，通常使用**最大池化**（max-pooling）運算。 * 最大池化是從輸入特征圖中提取窗口，并輸出每個通道的**最大值** * 最大池化使用硬編碼的`max`張量運算對局部圖塊進行變換 * 最大池化通常使用 2×2 的窗口和步幅 2  **為什么要用這種方式對特征圖下采樣？：** * 這種架構不利于學習特征的空間層級結構，卷積層的特征包含輸入的整體信息太少。 * 最后一層的特征圖的元素太多，參數太多，會導致嚴重的過擬合。 **使用下采樣的原因：** * 減少需要處理的特征圖的元素個數 * 通過讓**連續卷積層的觀察窗口**越來越大（即**窗口覆蓋原始輸入的比例**越來越大），從而引入空間過濾器的**層級結構**