diff --git a/深度学习入门/assets/202012310000.gif b/深度学习入门/assets/202012310000.gif
new file mode 100644
index 0000000..0eefb0f
Binary files /dev/null and b/深度学习入门/assets/202012310000.gif differ
diff --git a/深度学习入门/第三章——卷积神经网络.md b/深度学习入门/第三章——卷积神经网络.md
index a54abc5..cd50e75 100644
--- a/深度学习入门/第三章——卷积神经网络.md
+++ b/深度学习入门/第三章——卷积神经网络.md
@@ -44,4 +44,33 @@ CV领域发展：
 
 ![1609379061067](assets/1609379061067.png)
 
-> 比如一个猫的图，眼睛鼻子特征和周围环境特征的重要性明显不一样，需要区别对待。先把图像进行分割（最左边），分割成多个小区域，提取其中一个小区域（第二个5×5×3），蓝色图的右下角3×3矩阵，大字体的值是X的值，而小字体的值是w权重，会不断循环获取最优的w权重和对应的值，并输出右边绿色的14（特征值）。
\ No newline at end of file
+> 比如一个猫的图，眼睛鼻子特征和周围环境特征的重要性明显不一样，需要区别对待。先把图像进行分割（最左边），分割成多个小区域，提取其中一个小区域（第二个5×5×3），蓝色图的右下角3×3矩阵，大字体的值是X的值，而小字体的值是w权重，会不断循环获取最优的w权重和对应的值，并输出右边绿色的14（特征值）。
+
+
+
+#### 卷积的计算方法
+
+![202012310000](assets/202012310000.gif)
+
+> input是输入，W0是第一层的权重，W1是第二层的权重，Output是输出
+
+我们以input三个块（RGB三颜色）左上角3×3矩阵值 和 第二层W1来计算，内积是乘法再相加。
+
+- 先来第一个（R颜色）左上角3×3：[0,0,0],[0,0,1],[0,0,1] 和 权重 [-1,-1,0],[-1,1,0],[-1,1,0]
+
+  `(0*(-1) + 0*(-1) + 0*0)` + `(0*(-1) + 0*1 + 1*0)` + `(0*(-1) + 0*1 + 1*0)` = 0 得出R颜色的左上角矩阵的值为0；
+
+- 第二个（G颜色） 左上角3×3矩阵值 和 第二层W1来计算
+
+  `(0*1 + 0*(-1) + 0*0)` + `(0*(-1) + 1*0 + 1*(-1))` + `(0*(-1) + 0*0 + 2*0)` = -1
+
+- 第三个（B颜色） 左上角3×3矩阵值 和 第二层W1来计算
+
+  `((-1)*0 + 0*0 + 1)` + `(0*1 + 2*0 + 0*1)` + `(0*0 + 0*(-1) + 0*0)` = 0
+
+- 最后再把三者结果相加并加上bias b1（偏值b）
+
+  0 + (-1) + 0 + 0 = -1
+
+  这级得到了output中左上角的结果 -1。
+