由于运算量太大，所以我们采用卷积核的东西，一个区域一个区域的扫描。将每个对应的数字相乘，再求和。就提取了区域数值特征。数据再经过池化，取区域内最大值，将特征数据量再浓缩，展平。输入全神经网络，因为涉及到卷积运算，所以又称卷积神经网络。卷积核的大小、步调、卷积层的数量等，都可以预先调节。机器输出的数值会和对目标结果预设的数值做比对。如果符合预期，即为成功。如果不符合预期，就会通过一系列运算，反向调节各个环节参数（BP），再算一次，不断重复，直到符合预期。这就是机器自主学习的原理。卷积 -> 池化 -> 激活。
通过卷积后的特征数据我们可以看到，数字越接近于1，说明这个地方越满足卷积核的特征。
卷积核最开始可能是人为设定的，但后面它会根据自己的数据去反向调节这个卷积核。类似训练的方法，去调节参数，训练的过程中会找到那个最合适的卷积核。有几个卷积核，就有几个特征图（三维的）这几个特征图挪到一块，就变成了一个三维立体的一个图形。
科学家的设计令人惊叹，几乎完美的模拟了人的思考过程。
我们把一大堆数据给到人工智能，然后人工智能通过一方法去调整自己的卷积核和参数，最终就可以分辨出来每一种不同物体是什么了。虽然我们并不知道它是如何设计卷积核以及这些参数的。
3.3 模型 = 黑匣子
我们现在知道了，通过神经网络不断地训练，我们可以让识别误差变小。从而实现一个智能的模型，用来做一些实际的工作。模型虽然是我们人训练出来的，但其实模型每一次具体识别的时候。我们并不知道它是怎么进行的，它对于我们还是黑匣子的存在。就如同牛顿并没有解释苹果为什么会落地，他是建立的引力的数学模型，只是用方法量化表达了出来，至于原因，还是很难用人话来表达。人工智能训练出来的模型也是一样，我们看到的特征其实和机器使用的特征并不一样，无论是特征数量还是特征内容。我们认为一个物体可能通过4个特征来判断，但计算机可能用了10个。内容也一样，我们人脑的内容和计算机的0和1也很难对等。要知道，神经网络是自主调节自主优化训练的，所以训练到最后你很难说他到底怎么做到的。就如同我们教会一个孩子识别猫和狗的区别，你通过带他见了大量的猫和狗，小孩终于会辨认了。但你能知道小孩子是怎么具体识别的嘛，其实很难阐述的。这也是为什么大家都说 AI 训练出的模型就是黑匣子了。
