目录
一、fully connected network简化
（一） 感受野
1.图像的参数：[b，h，通道数c]
2.fully connected network的缺陷：参数过大，容易过拟合
3.全部关注，关注过多——》改进后：receptive field（感受野）/filter
1）每个neuron只关注自己的感受野，只关注一部分小范围
2）不同neuron的感受野部分可以重叠
3）设置：
（1）kernel size：感受野的大小，一般是3X3
（2）stride：感受野矩阵的移动距离，一般是1或者2
（3）padding：stride设置后使得感受野超出了边界，就在边界补0
（二） 参数共享
1.如何在不同位置提取到相似特征
2.两个neuron共享参数（weight和bias）
3.常见方法：每一个感受野上的神经元都设置成相同的参数（filter1,2,3……），从而实现参数共享
（三）pooling
1.pooling不会训练数据
2.在convolution后，作用是将图片变小，可以通过划分之后得到更小的图片维度
3.max pooling：选择一个范围内的最大值
二、convolutional layer
1.convolutional layer
?优点：CNN的模型bias较大，不容易过拟合
2.过程（用下面的例子讲解）
step1：图片input
step2：3X3X1感受野，stride为1，得到64 filters
?????????????多个filters组合成feature map
step3：得到的新的convolution是3x3x64
