经典网络和残差网络

一、一般神经网络VS卷积神经网络：
相同点：卷积神经网络也使用一种反向传播算法(BP)来进行训练
不同点：网络结构不同。卷积神经网络的网络连接具有局部连接、参数共享的特点。
局部连接：是相对于普通神经网络的全连接而言的，是指这一层的某个节点只与上一层的部分节点相连。
参数共享：是指一层中多个节点的连接共享相同的一组参数。

卷积神经网络的主要组成：
卷积层（Convolutional layer），卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。

池化层（Pooling），它实际上一种形式的向下采样。有多种不同形式的非线性池化函数，而其中最大池化（Max pooling）和平均采样是最为常见的

全连接层（Full connection）, 与普通神经网络一样的连接方式，一般都在最后几层

池化pooling层的作用：
Pooling层相当于把一张分辨率较高的图片转化为分辨率较低的图片；
pooling层可进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络中参数的目的。

二、介绍LeNet-5
适用于手写数字识别