卷积神经网络

卷积神经网络在机器学习，尤其是图像处理中有着相当优秀的表现。
首先我们先设想我们需要处理一个大小为2^10*2^10的图像，那么他们如果全连接的话就会有(2^10*2^10)^2个权值,这显然是很大的运算量。因此我们试想着，我们并不需要把图像精确到像素来处理，我们可以在较高的层中对图像进行抽象，从而减少连接数。抽象具体指的是，将一定范围内的像素的特征提取出来，从而大大减小连接数。
下面是关于cnn各个层的解读，请注意，请根据具体的要求来确定构建cnn各个层的数目。
卷积层：应当在输入层或者池化层后，第一个卷积层在输入层之后。卷积层就是对图像特征的处理。
池化层：降采样，选取每个区域的最大值。
可以采用卷-池化-卷积-池化这样循环的构建层，但是注意这样会显著的降低准确度。
全连接层：对其进行全连接，为激活函数做准备。
relu层：激活函数层
全连接层2：进行全连接
softmax:实现分类和归一化
Softmax回归模型是logistic的扩展，一般来说是有监督的。