神经网络框架
卷积层详解
卷积神经网络组成
1.输入层（INPUT）
2.卷积层（CONV）
3.激活函数（RELU）
4.池化层（POOL）
5.全连接层（FC）
卷积计算流程
将image划分为一个一个的小区域，然后filter在每一个小块上进行特征提取，找出一个能够代表这个区域的值，image经过卷积之后生成一个特征图，特征图上对应image每一个小区域
filter可以有多个，可以指定数量，将不同的filter提取出来的特征图压缩到一起就得到了卷积之后的结果。
示例：6层filter对image进行特征提取。
卷积操作不是只能在输入的图像基础上进行卷积，还能在卷积之后的结果上再进行卷积。
卷积核参数分析
卷积参数共享原则
池化层
池化层是对特征图起作用的层，对特征图进行一个压缩的操作。
Pooling layer
MAX POOLING
