这就是卷积神经网络

1、初步了解自己找一个文档就会知道大概了

2、滤波器：学习前的滤波器是随机进行初始化的，所以在黑白的浓淡上没有规律可循，但学习后的滤波器变成了有规律的图像。我们发现，通过学习，滤波器被更新成了有规律的滤波器，比如从白到黑渐变的滤波器、含有块状区域（称为blob）的滤波器等。卷积层的滤波器会提取边缘或斑块等原始信息。
3、集成学习、学习率衰减、Data Augmentation（数据扩充）等都有助于提高识别精度。
4、叠加小型滤波器来加深网络的好处是可以减少参数的数量，扩大感受野（receptive field，给神经元施加变化的某个局部空间区域）。并且，通过叠加层，将ReLU等激活函数夹在卷积层的中间，进一步提高了网络的表现力。这是因为向网络添加了基于激活函数的“非线性”表现力，通过非线性函数的叠加，可以表现更加复杂的东西。
5、应用：图像分类、目标检测（R-CNN）、图像分割(FCN)、自然语言处理(RNN)、图像标题生成(NIC)
6、深度学习未来：图像风格变换、图像生成（DCGAN）、自动驾驶（SegNet）、Deep Q-Network（强化学习）