零售行业可以在多个场景中使用 图像相关技术来提高效率、提升更好的服务和增强用户体验，如商品识别和计价、货架库存管理等。以卷积网络(CNN)为基础的机器学习模型在相关场景中广泛使用。 请根据输入描述和输出描述中的要求，编程实现与 CNN 相关的子功能。 补充说明： 卷积核：卷积核是一个小的权重矩阵，让它逐步在输入的图像矩阵上进行扫描，并计算权重矩阵和扫描到的子矩阵的内积，然后把结果汇总成一个输出像素，这也是引入卷积的一个重要原因，能够在保证足够高的精度下减少全连接网络的计算量。 填充：有时候会为了减少输入矩阵边界信息的损失，会在输入矩阵上下左右的 4 边界上填充一些数值，增加矩阵的大小，通常都用 0 进行填充。 步长：滑动卷积核时，我们会先从输入的左上角开始，每次往右滑动若干列或者往下滑动若干行逐一计算输出，我们将每次滑动的行数和列数称为步长。步长的设置对于信息的压缩程度和输出矩阵的尺寸大小至关重要。 偏置项：与全连接网络的偏置项作用一致。