神经网络
神经网络。只用全连接层，没有卷积层，只接受向量（一维数组）作为输入，不接受矩阵（二维数组）
反复观看这个视频！！！
https://www.bilibili.com/video/BV1bx411M7Zx/?spm_id_from=333.999.0.0
概念：Neural Networks （NN）
一句话概括，就是多个神经元和权重值，计算得到一个结果
分类：
按模型结构大体可以分为前馈型网络（也称为多层感知机网络）和反馈型网络（也称为Hopfield网络）
按照学习方式可分为有监督学习、非监督和半监督学习三类
前言：
目前，将神经元理解成一个装数字的容器，实际上它是一个函数，可以接收数值和输出数值
以识别图像中的数字开始：
0代表纯黑，1代表白。这718个神经元组成了网络的第一层
然后神经网络的结构就有了
为什么设置两层隐含层，每层16个神经元？
第一层，识别细小的部件；第二层，得到关键部件
最关键的就是如何算出 下一层的数字
每个神经元之间的连线就是 权重。加权和需要一个数值来判断，大于某个数才能发挥作用。那么那个数就是偏置
换句话说，就是在一张图片上，像素值大于某个值，才能显示。来达到显示关键位置的目的
为了方便权重和神经元的计算，采用矩阵
所以这就是神经网络。一种计算方式
卷积：convolution
卷积是一种运算
反复观看这个视频，这就是图像处理的入门啊
https://www.bilibili.com/video/BV1Vd4y1e7pj/?spm_id_from=333.337.search-card.all.click&vd_source=3b2b7fb671161612d699f578850584a1
一句话概括：两个矩阵运行，类似滑动窗口，将乘积后的数相加，结果是一个数组啊，但是应用到图像领域，结果是一个值
百度上的概念：
一、用概率来引入：
一个筛子，共有6种可能，两个筛子，就会有36种可能组合。
如果要算两个筛子组合数字的概率，共有两种方式
1. 列表
2. 卷积
二、所以：换成概念，卷积就是一个数组 和 一个相反数组的乘积
三、在图像领域
1. 小网格 * 图像对应的像素，颜色是一个数组
2.
3. 这个小网格，也叫核（kernel）。不同的核能产生不同的效果。。所以卷积就是一个运算
4. 这个小网格 中间位置数值较大。给中间像素了很大的权重，
三三：总结
卷积是 输入图像和旋转180°的卷积核相乘的运算
四、通道
通道channel 也有叫特征图feature map
一个卷积核对应一个通道，也就是产生一个特征图
五、 卷积核
每个卷积核具有长、宽、深三个维度。
卷积核的长、宽都是人为指定的，长X宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等；
卷积核的深度与当前图像的深度（feather map的张数）相同，所以指定卷积核时，只需指定其长和宽两个参数。
例如，在原始图像层 （输入层），如果图像是灰度图像，其feather map数量为1，则卷积核的深度也就是1；如果图像是grb图像，其feather map数量为3，则卷积核的 深度也就是3.
在代码中，设置kernel为5 为3，指的就是设置卷积核的长度
这两个是怎样联系起来的？？卷积神经网络和神经网络
普通神经网络 是将每个像素作为一个神经元，通过**建立的网络模型
卷积神经网络 是在图片感受野和卷积核，进行了运算。将图片的特征进一步提取
这就是二者的差别
卷积也就是说神经网络不再是对每个像素的输入信息做处理了，而是图片上每一小块像素区域进行处理，这种做法加强了图片信息的连续性
参考文献：
https://blog.csdn.net/tototuzuoquan/article/details/113820344
