**
昨天用DNN
今天CNN
首先拉成一维向量，网络结构与1616，100100，不能适配，
神经元一多直接爆炸，螺旋起飞
卷积的简化：
使像素部分链接，权值共享，下采样
计算量降数量级
先取小图像，滑动窗口，把每个小块算了一遍，从头到尾，神经元的权重都使那一部分
下采样：
卷积计算：
卷积核，而不是滤波器，因为要学值，而不是给定（尺寸是给定的，炼丹）
分类任务一般接全连接层
卷积大大减少了模型参数量
特征多了，多加卷积核
一个卷积核提取一种特征
多个提取多个
pooling
最大池化：左上，右上，左下，右下，每四个取最大值
平均池化：左上，右上，左下，右下，每四个取平均值
应用实例：
先取一部分区域，卷积，池化
在特征图上再取区域，卷积，池化
池化：降参数（个人：模糊化）
大佬的丹方：
这个的介绍可以回去听
分类比图像检测更精确
原理还是梯度下降
怎样挑优化器，一般都集成，有一个很好的逃离鞍点的论文几千引用
后面是实践：
飞桨api的，，，接口文档
学习率：直接搜就能找到**