卷积神经网络(CNN)
1、 深度学习中极具代表性的网络结构之一，常用于图像处理，避免对图像复杂的特征提取，可直接输入原始图像；
2、 传统的神经网络都是采用输入层到隐藏层全连接的方式，这样导致参数量巨大；而CNN通过局部连接、权值共享方式连接来降低权值参数；
3、 局部连接：
4、 权值共享：
10*10个权值参数，也就是卷积核（也称滤波器）的大小。一个卷积核只能提取图像的一种特征，使用不同大小的卷积核可以得到图像的不同映射下的特征，称之为Feature Map。另外偏置参数也是共享的，同一种滤波器共享一个；
5、 卷积神经网络的核心思想是：局部感受野（local field），权值共享以及时间或者空间亚采样相结合，获取某种程度的位移、尺度、形变不变性；
6、 经典的CNN结构——LeNet-5网络
CNN主要由两种类型的网络层，分别是卷积层和池化/采样层（pooling）。卷积层的作用是提取图像的各种特征；池化层是对原始特征信号进行抽象，从而大幅度减少训练参数，另外还可以减轻模型过拟合的程度。
卷积层：
池化/采样层：
通过不变性（平移、旋转、尺度）保留feature maps主要特征，同时减少特征。
通常有两种方式包括Max-Pooling（选择Pooling窗口中的最大值作为采样值）和Mean-Pooling（将Pooling窗口中的所有值相加取平均，以平均值作为采样值）
