- 卷积核，在给定输入矩阵后，输出矩阵中的每一个元素都是输入矩阵中的一个小区域中元素的加权平均，这个权重值由一个函数定义，这个函数就称为卷积核。
- 滤波器，即卷积核，英文为filter，滤波器针对具备特定特征的矩阵有很高的输出，对其他矩阵的输出很低，这就模仿了神经元的激活。滤波器的权重值就相当于人脑的记忆。
- 训练，构建滤波器的组合，并设定其中各个滤波器矩阵的权重值使之能够对特定特征激活的过程。对于一个空白滤波器，通过修改其权重值可以使它能够检测特定的特征或模式，这个过程就如同工程中的反馈。
- 步长，卷积核在输入矩阵上行进的步幅，默认是
(1, 1)，表示在横纵两个方向上都是逐元素前进。设定为(2, 2)则表示间隔一个元素前进。
- 特征图，即feature
map。在卷积层的输入和输出中，输入矩阵的每一个深度单元都是一个特征图，例如灰度图片有一个特征图，RGB图片有三个特征图。每一个特征图跟卷积核做卷积后就会产生下一个特征图。
- 损失函数，也称为目标函数或者优化评分函数，用于衡量神经网络在这个示例上的好坏，是编译模型时必需的两个参数之一。
- 权重，神经网络中每层对于输入数据的变换操作的参数，合适的权重值能够使网络将每个示例输入与其目标正确的一一对应。找到合适的权重值是神经网络学习的目的。