Convolutional Neural Networks
背后是概率论，是微积分，是矩阵
CNN的基本结构由输入层、卷积层（convolutional layer）、池化层（pooling layer，也称为取样层）、全连接层及输出层构成。
卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。由于卷积层中输出特征图的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值，该过程等同于卷积过程。
卷积神经网络相比于其他神经网络的特殊性主要在于权值共享与局部连接两个方面。
权值共享使得卷积神经网络的网络结构更加类似于生物神经网络。
局部连接不像传统神经网络那样，第n-1层的每一神经元都与第n层的所有神经元连接，而是第n-1层的神经元与第n层的部分神经元之间连接。这两个特点的作用在于降低了网络模型的复杂度，减少了权值的数目
组件
卷积层：
通常包含多个可学习的卷积核，上一层输出的特征图与卷积核进行卷积操作，即输入项与卷积核之间进行点积运算，然后将结果送入激活函数，就可以得到输出特征图。
作用就是提取特征
池化层：pooling
通过对提取特征进行过滤，就是矩阵在缩小，将几个神经元的输出变为一个输出
有最大池化和平均池化
最大池化
将输入的图像划分若干矩阵区域，取每个区域的最大值
采用2x2 的fiter，步长为2的扫描
平均池化：
取每个区域的平均值
全连接层：dense
就是神经网络的那个，神经元之间的连接
将特征连载在一起，对空间排列的特征化成一维的向量。将所有特征进行总和
就是神经元与下一神经元的连接
为什么是一维的？ 因为可以将范围缩小至一个小类别。一维代表着就是一个结果
作用：
通过不断的学习，在组后全连接层，实现分类
