卷积神经网络真的挺难靠文字讲清楚的，一般需要大量图片来辅助理解，时间关系，我就不仔细讲了，这里记录一下大致的算法和注意点。
首先我概括一下卷积神经网络
卷积神经网络是通过卷积核进行特征提取，从一个样本身上利用很多个卷积核提取这个样本的很多特征，通过池化进行降维，然后利用普通的全连接神经网络进行训练。
从网络结构上讲，卷积神经网络是把网络从扁平拉伸成窄厚，然后重复这个过程，最后接上全连接网络和softmax。
接着我讲几个注意点
卷积层和池化层
卷积层的核心是卷积核，我在手写数字识别实例中已经讲的比较清楚，不再赘述。
池化层的作用不只是降维，它使得模型对局部位移或者微小位置偏差具有更好的鲁棒性
输入有微小差别，输出相同
padding
在卷积层和池化层，padding的意义是不同的。
卷积层
padding取same时，需要对原样本进行边界填充，以保证卷积后的样本和原样本大小一样， 【步长为1时大小一样，步长不为1时不一样】
padding取valid时，不需要填充，卷积后变小。
池化层
padding取same时，可能会给平面进行边界填充，但不是保证大小一致，是在池化野扫描时，假如扫描到边界时，剩余的格数小于池化野的大小时，对边界填充，使得剩余格数等于池化野大小，否则不需要填充。
padding取valid时，不填充，假如扫描到边界时，剩余格数小于池化野的大小，就放弃剩余的格数
最后接两张关键图结束
