本期的学习来源是：https://www.bilibili.com/video/BV1Y7411d7Ys?p=10
代码来源：https://blog.csdn.net/bit452/article/details/109680909
全联接线性网络（由linear串联起来
全联接层：任意两个节点间，每个输入节点都要参与到输出节点的计算上
卷积神经网络
卷积层作用：保留空间特征、空间结构、空间信息
因为转化为线性结构的时候可能会拆散空间结构
例如二维数组实际上是一位数组，二维数组虽然在同一列上相邻位置，但是在一维数组相隔一行的距离
特征提取器（Feature Extraction）
找到图像中的特征，分为卷积和下采样
卷积（Convolution）
卷积的时候通道数变多，宽高变化
下采样（Subsampling）
通道数不变，图中的宽高变化，例如图中的C1->S1，降低运算需求
分类（Classification）
最终得到向量，使用全联接层映射到多维的输出
然后使用交叉熵损失，最终计算出权重
单通道输入特征提取
不是做矩阵乘法，而做数乘
输出值与kernel（卷积核）的矩阵大小相同
单通道输出的最后结果是
多通道输入特征提取
每一个通道都要配一个卷积核
多少通道就有几个卷积核
然后将每个卷积核得到的结果骡起来
将输入3个3*3的卷积核，得到的结果是单通道的
多准备几个卷积核，就可以得到多个单通道
将它们拼接在一起，就可以得到多通道的结果
有两点必须注意
一、卷积核的通道和输入的通道必须相同（且卷积核的宽高常用奇数
二、输出的通道数和卷积核数量相同
计算公式为N*Win*Hin 与 M个的卷积核（N*Wk*Hk）会得到M*N*Wout*Hout的四维张量
卷积常用变量
padding：在原图像的边上添几圈数（常用0），使得最后得到的输出与原图的大小相同
bias：偏置量，类似于k*x+b的b，在计算卷积的时候可以选择是否加入
stride：步长，正常为1，会使得输出的图像变小
Maxpooling：将同一个通道的某个矩阵中的最大值提取
最后通过一个线性层得到十维向量
将向量放入softmax layer层得到各个分类的概率
用具体步骤显示如下图所示
