CNN是深度学习的一个框架，是深度学习在图像领域的应用。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。
刚开始接触，把学习过程记录下来。
首先得知道CNN中的convolution体现在哪,CNN与一般滤波的区别在哪，CNN的一般过程。
UFLDL中讲到了卷积特征提取和池化：http://deeplearning.stanford.edu/wiki/index.php/%E5%8D%B7%E7%A7%AF%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96
注：研究发现，训练好的CNN各个层分别表示如下特征：颜色->边缘->模块->更大的模块。
激活函数使用ReLU可能会导致稀疏（在小于0是为0），也可能导致数据过大。因此，在下采样后送入激活函数之前，需要归一化。
随机过程可以提高泛化能力。
全连接时训练可用BP算法，那对于CNN如何训练呢？对于下采样层的残差，可以直接复制；对于卷积层的残差，是对下采样层中与此
相关的点的加权和。
