CNN（Convolutional Neural Network）卷积神经网络
一、引入
解决图像分类问题，假设图像是固定大小的，并且是一个Tensor（张量：超过二维的矩阵），我们考虑将这个Tensor变为一个多维向量作为网络的输入，同时使用全连接的方式，这样的结果是参数会非常的多，从而产生过拟合的情况。
这个时候，就要根据图像的特性去对网络进行调整，人类识别物体时大多数情况是根据物体特征来判断的，根据这种的特点，我们可以考虑让一个神经元来处理一个特定的部分（Receptive field），但是这个特定部分可以被多个神经元处理。
程序处理问题，一般都是规规矩矩的，按照某种特定预设模式，所以对于Receptive field的选择也是根据某种策略，一般是通过kernal size的设置，stride的设置和padding的设置。
为了更加减少参数的数量，可以通过共享参数来实现，共享参数实际就是用一个filter扫过整张图片，这个过程就叫做卷积。
Pooling——在卷积后的tensor上根据某些规则在卷积核的范围内选出一个代表。
filter的高度就是上一层的channels的数目 网络越深，同样大小的卷积核可以侦测到的图像范围也就越大
二、CNN做影像识别的过程
Flatten：将张量拉直成向量
思考
1、为什么参数越多，就会过拟合？
2、如何划分Receptive field会更好？
答：一般用正方形，kernal size一般为3*3，一般使用64或128个神经元去连接。
3、那么使用Receptive field和参数共享，参数数量减少，模型弹性下降，会不会出现覆盖不到最优的情况？
答：CNN就是根据图像的特点进行设计的，所以即使参数很少也能表现的不错，但是放到其他应用场景可能就不太行。
4、难道RGB三个通道之间是没关系的吗？
5、Pooling起什么作用有什么好处？
答：我觉得使用了pooling会使一个卷积核可以侦测到更大的的范围，看的更广了，同时可以减少convolution的次数，但是使用了pooling会使得侦测细节的能力降低。
6、softmax是干嘛的？
答：输出节点的输出值范围映射到[0, 1]，并且约束各个输出节点的输出值的和为1的函数
7、卷积的次数是有限的，如果图片比较小，那么卷积的次数不就也非常小？这样会不会影响结果？
