卷积神经网络CNN

传统神经网络：每个神经元与前一层的所有神经元连接
卷积神经网络：卷积层中的神经元只与前一层的一小块局部区域（也就是感受野）连接

组成：卷积层（Conv）+池化层（Pooling）+全连接层（与常规传统神经网络一样，其中每个神经元都与前一层中的所有神经元相连接）
整个卷积过程，以CIFAR-10为例：
原始输入：[32x32x3]；经12个卷积核，卷积后的数据体维度：[32x32x12]；再经过RELU激活，不改变数据题的维度；接着进行POOLING池化，降采样后的数据尺寸变为[16x16x12]；…最后全连接层计算分类平分，数据尺寸变为[1x1x10]（10个数字对应10个类别的分类评分值）；

左边：蓝色部分是第一个卷积层的神经元；在深度方向上有多个神经元（本例中有5个，这里是核的个数），他们都接受输入数据的同一块区域（感受野相同）

空间排列：核的个数+步长+填冲
输出数据体的深度（核的个数）：它与滤波器（卷积核）的数量一致，每个滤波器在输入数据中寻找不同的东西；
假设第一个卷积层的输入是原始图像，那么在深度维度上的不用神经元将可能被不同方向的边界（或颜色斑点）激活。沿着深度方向排列、感受野相同的神经元集合称为深度列（depth column），也叫纤维（fibre）。

参数共享：如果在一个深度切片中的所有权重都使用同一个权重向量；为了减少参数