CNN可以看作深度学习的进一步扩展，在深度学习的基础上改变神经网络的结构以及尽量减少参数，抓住关键特征。这样的CNN主要用于影像识别。具有以下三个属性的任务即可以使用CNN：1）观测图片中的某些模式；2）这些模式在每张图片中的位置不同；3）二次抽样不会影响观察对象。CNN框架中的convolution就反映了前两个属性；max pooling反映了第三个属性。之后分别从convolution、max pooling、flatten三个方面具体介绍相关步骤。从CNN中我们可以学到什么？CNN应用广泛，除了常见的影像处理，还有声音、文字处理等。值得注意的是我们不能因为这个方法听起来神秘或者高大上，做什么东西都想用它，而是看我们做的东西是否真的符合上面的三个属性。（此外，本次任务只学习了CNN的框架，具体操作方法还没有搞懂。）

笔记：