【原创 深度学习与TensorFlow 动手实践系列 - 3】第三课：卷积神经网络 - 基础篇
提纲：
1. 链式反向梯度传到
2. 卷积神经网络 - 卷积层
3. 卷积神经网络 - 功能层
4. 实例：卷积神经网络MNIST分类
期待目标：
1. 清楚神经网络优化原理，掌握反向传播计算。
2. 掌握卷积神经网络卷积层的结构特点，关键参数，层间的连接方式。
3. 了解不同卷积神经网络功能层的作用，会进行简单的卷积神经网络结构设计。
4. 能够运行TensorFlow卷积神经网络 MNIST。
f(x, y, z) = (x + y) * z
(3.00 + 1.00) * -2.00 = -8.00
1. 什么是卷积层
2. 有什么组成
3. 受什么影响，有何特点
4. 怎么工作
卷积层
1. 卷积神经网络基本结构
2. 由多个卷积核组合形成
3. 每个卷积核同输入数据卷积运算，形成新的特征“图”
非线性激励层（None-linear activation layer）：卷积是线性运算，增加非线性描述能力
降维：特征图稀疏，减少数据运算量，保持精度
池化层（Pooling Layer）- 降维：
1. 数据降维，方便计算，存储（max，ave）
2. 池化过程中，每张特征图单独降维
归一化：特征的scale保持一致。
卷积神经网络（CNN） - 基础 演示代码：
https://github.com/wiibrew/DeepLearningCourseCodes
https://github.com/wiibrew/DeepLearningCourseCodes/blob/master/course_3_tf_mnist_cnn.py
https://github.com/wiibrew/DeepLearningCourseCodes/blob/master/course_3_tf_mnist_cnn.ipynb
卷积神经网络运行情况：
本文链接：http://task.lmcjl.com/news/12303.html
