全连接
------------------------------------------------------------------------------------------------------------------------------
卷积
卷积通过卷积核的参数共享，减少了参数数量（非常有效）。
卷积核就是参数，需要反向传播学习得到。
卷积核与全连接的权重参数不同，它只关心局部特征。而fully connected NN的权重W关注了全部特征。
-------------------------------------------------------------------------------------------------------------------------
卷积也有激活函数，同样要RELU
---------------------------------------------------------------------------------------------------------------------------
由于需要每层结点足够多，原始图像多层卷积之后逐渐变得小而深（n_H,n_W减小，n_c增加）
---------------------------------------------------------------------------------------------------------------------------
！注意，不论是全连接还是卷积，就是通过不断的特征转换，将图像特征变成线性可分的
---------------------------------------------------------------------------------------------------------------------------
卷积后的大小
n_new = (n+2p-f)/s + 1
注意，卷积核尺寸需要与图像合适，不能空出来卷积不了的位置。即n_new需要是整数
---------------------------------------------------------------------------------------------------------------------------
可以通过padding弥补corner的采样不足。同时可以使得图像大小（n_H,n_W）不变！
若s=1，卷积核 为 f*f ，则左右两边各采用 (f-1)/2的padding，可以使尺寸不变。
若不使用padding，尺寸会很快减小，这样的卷积神经网络的效果不会好的。
---------------------------------------------------------------------------------------------------------------------------
卷积核的数目k一般为2的指数倍
