行了 ，来跟大家简单介绍了一下卷积神经网络能做什么东西 ，那我先嗯 ，就是先问大家一个问题吧 ，我们的卷积神经网络跟传统的网络诶它有什么区别 ，大家可能一听 ，唉呀 ，卷积网络多了一个卷积 ，可能现在我还不知道卷积是什么 ，一会儿咱给大家解释啊 ，咱们先来看下面这个图 ，左边这个图大家什么属性啊 ，是不是跟大家说的传统的神经网络 ，对 ，nn 吧 ，传统的神经网络 ，你看传统神经网络正常输入层隐层输出层没什么问题吧 ，右边呢 ，右边叫做一个 cnn ，大家来观察一下它直观的区别是什么 ，在这里好像有一个小的不同 ，我左边这个图看起来像是一个二维的 ，因为这个图看起来像是一个三维的 ，有没有这样的感觉 ，咱们来想输入的输入就是传统网络输入层 ，我说784 ，那是不是784个像素点 ，那我 cn 当中我还输入784个像素点吗 ，不是了 ，我输入的就是原始的一张图像 ，28×28×1的 ，这是三维的吧 ，这个呢 ，这是几位的 ，这只是一列特征吧 ，所以说啊当大家用卷积法来做事情的时候 ，我们得把这个思想唉再抬高一个维度 ，我们现在的数据它就不是一列 ，不是一个向量 ，不是一个特征 ，而是一个就是长方体吧 ，它是一个长方体的矩阵 ，它是一个三维的 ，所以说下来我们处理数据它都是一个三维的 ，h 乘 w 乘上一个 c 的 ，我不会先把数据拉成一个向量 ，而是直接对这个样本就是图像数据进行特征提取 ，注意啊 ，咱的输入 h 乘 w 乘 c 的这一点是不同的 ，并且呢它还提到一点叫做一个深度 ，一会呢咱就要围绕着卷积层以及深度诶 ，到底怎么去变换的 ，在围绕这个东西啊 ，给大家一步一步进行展开 ，行了 ，先看一下咱一会要讲解的一个整体的架构 ，先来看看吧 ，就是这个架构当中啊咱都知道哪些事儿 ，首先输入层 ，那这是什么 ，

这就是一个图像数据嘛 ，28×28×1的一个图像数据 ，当输入层 ，这没什么问题吧 ，唉这个咱们大家都知道啊 ，咱们都会的 ，然后第二个卷积层 ，卷积层大家可能一开始听的时候觉得唉呀 ，这个东西是不是挺难的 ，什么叫做一个卷积啊 ，以前没听过这样一个事儿 ，一会儿咱们重点就给大家解释卷积他是做了一件什么事儿 ，把这个东西捋明白了 ，卷积神经网络就基本上掌握了 ，第二个 ，石化这样的词听起来都挺抽象的吧 ，其实相当于这样 ，卷积就是提取特征 ，石化呢是压缩特征 ，先简单 ，只要有这样的印象性 ，一会儿咱的重点啊就是一个卷积 ，还有一个石化 ，全连阶层 ，全阶层咱之前是不是讲过了 ，通过一组权重参数 ，比如说784乘上一个50 ，但是之前看的那种就是正常把两个输入层和隐层连在一起 ，780×50这个矩阵吧 ，这个就是一个全连接的操作 ，但之前也说过了 ，所以说在这里我们只需要讲两个就行了 ，输出层大家也不用说了 ，输出层是一样的 ，还是得到十个类别的概率值嘛 ，这个就是我们当前给大家看的啊 ，咱们有的一个啊 ，输入数据它是长什么样子 ，然后呢看完了这个书 ，就是看完了我的一个架构之后 ，再要一个给大家说 ，先来看这个卷积层吧 ，这张图啊等他回来之后啊再给大家慢慢解释 ，咱先给大家解释 ，其中的第一部分叫做一个卷积 ，卷积做了一件什么事儿 ，啊 ，我们来看 ，