1、为什么用CNN

• 直接用fully connect feedforward network来做影像处理，往往需要太多的参数。CNN做的事就是简化neural network的架构
• Small region。要知道一个image里面有没有某一个pattern出现，不需要看整张image，只要看image的一小部分。
• Same Patterns。同样的pattern在image里面，可能会出现在image不同的位置。
• Subsampling。通过降低图片的像素，不会改变其本质，但可以减少需要的参数。

2、CNN的架构

• 针对上述的Small region和Same Patterns这两个property，可以用convolution来处理。针对Subsampling，可以用Max Pooling来处理。
• convolution卷积。3* 3的filter，意味着只看一个3 *3的范围内是否有某一个pattern的出现。通过卷积核从左上角到右下角的移动，相同的计算结果意味着相同的pattern
• Max pooling池化。通过下采样压缩数据和参数的数量，方法可以有Max Pooling、Average Pooling
• Flatten。相当于全连接层。

3、卷积层的一种理解

这是我觉得本课节讲得最出彩的地方，让我对convolution和fully connected之间的关系有了更通俗和深刻的理解。

• convolution就是fully connected拿掉一些weight的结果，以及实现shared weight。

4、CNN学到了什么

这部分的理解暂时不是很通俗，待后续补充