CNN步骤：
- Paddssing处理
- 提取特征
- 最大池化
- 扁平化处理
- 全链接网络隐藏层
Paddssing处理
Padding处理主要将图片像素矩阵扩充成4的倍数的矩阵
比如：6262 扩充成6464
特征提取
特征提取就是图片（M*N矩阵）通过卷积核，提取图像中特征，通过不同的的卷积核，可提取不同的特征
最大池化
仅反应最突出的部分
池化，也叫下采样，本质上其实就是对数据进行一个缩小。因为我们知道，比如人脸识别，通过卷积操作得到成千上万个feature map，每个feature map也有很多的像素点，这些对于后续的运算的时间会变得很长。
池化其实就是对每个feature map进一步提炼的过程。如图7所示，原来4X4的feature map经过池化操作之后就变成了更小的2*2的矩阵。池化的方法包括max pooling，即取最大值，以及average pooling，即取平均值
扁平化处理
扁平化处理，即把图像提取的所有特征，最大池化后（仅反应最突出的部分），将所有特征进行（矩阵）进行铺开，
铺开成一个N*1的单体矩阵（扁平化处理）。然后将该矩阵送入网络隐藏层
全链路隐藏层
将扁平化处理后的数据，输入到全连接网络层，输出结果，如下图所示：
全链接隐藏层输入的是图像中所有的明显特征（特征数据），训练时，根据已标注的结果，训练出具有一定规律的数据关系，方式就是通过多层卷积计算，动态调整卷积核（通过梯度下降算法来动态调整，使调整的权重矩阵更加逼近事实），计算出所有同类图像中的共同特征，学习的过程就是对每张图片的特征进行权重计算， 通过大量的同类样品，算出各个特征的权重，
卷积核
卷积操作通过卷积核是可以分别提取到图片的特征的，但是如何提前知道卷积核呢？像上文的例子，很容易可以找到3个卷积核，但是假如是人脸识别这样成千上万个特征的图片，就没办法提前知道什么是合适的卷积核。其实也没必要知道，因为选择什么样的卷积核，完全可以通过训练不断优化。初始时只需要随机设置一些卷积核，通过训练，模型其实自己可以学习到合适的卷积核，这也是卷积神经网络模型强大的地方
梯度下降算法
激活函数
Steps of Machine Learning
