说在前头
理解不清楚的同学，可以看视频教程（下篇）
1-1感受卷积神经网络的强大14：55
1-2卷积层详解12：53
1-3卷积计算流程12：30
1-4卷积核心参数分析13：13
1-5卷积参数共享原则08：09
1-6池化层(Pooling)原理08：24
1-7卷积神经网络反向传播原理14：44
1-8实现卷积层的前向传播与反向传播10：19
1-9实现pooling层的前向传播与反向传播12：00
1-10经典卷及网络架构实例20：35
1-11RNN网络结枘08：39
1-12python实现RNN算法33：46
1-13LSTM网络结构简介12：36
1-14分类与回归(Location)任务应用详解33：30
1-15物休检实例33：16
1-16如何巧妙设计网络结枘21：52
1-17训练技巧之数据增强12．20
1-18训练技巧之Transfer Learning11：09
1-19深度学习框架caffe简介20：43
2-0深度学习框架caffe训练过程20：39
2-1深度学习框架caffe接囗使用实例
全连接的结构有没有什么弊端呢？
答：参数过于多，无论从效果还是效率上来说，都存在着很大的问题。
卷积神经网路有一个重要的特性，就是他会做一个权重的共享。
权重共享：每个特征图上，每个点，都进行权重共享。
权重共享的特性：如上图所示，每个特征图上，只有5*5*3个特性，一共75个参数就OK。还有一个偏置，一共76个参数。如果提取了十个特征图，那么只需要760个参数就可以了，相比传统的神经网络来说，省了太多。
池化层
假设我们现在有这样一个特征图，大小为224*224*64
池化层的意思就是选出一个窗口，之后将窗口里的特征进行压缩。
压缩方式也比较简单，一般来说有两种压缩方式，一种是mean方式，一种是max方式。
现在我们可以完整的看一下卷积神经网络的工作流程。
step1：假设小车是我们的一个输入。
step2：将我们输入的图像进行一次卷积
step3: 用RELU函数进行激活
step4：将我们输入的图像进行一次卷积
step5：用RELU函数进行激活
step6：之后进行池化层操作
通过不断的卷积核不断的池化操作，要对特征不断的进行提取。
最后我们拿到了最后的特征FC，我们用最后的特征去做一些任务。
