1. 卷积神经网络结构及与LeNet-5的区别
在网上找了一个卷积神经网络的教程，http://blog.csdn.net/zouxy09/article/details/8781543/
其实最好学习卷积神经网络的读本是Lecun的论文（http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf），在这篇论文里面较为详尽的解释了什么是卷积神经网络，并且阐述了为什么要卷积，为什么要降采样，RBF怎么用之类的。但是注意Lecun所做的卷积神经网络LeNet-5只是卷积神经网络的一种组合形式，具体使用的时候还要根据具体的需求调整。
TensorFlow教程里面使用的卷积神经网络的结构就和LeNet-5的不太一样。
1. 卷积过程完成后，TensorFlow这个实例没有使用传统的Sigmoid函数，而是用了ReLu（Rectified Linear Unit 修正线性函数）。ReLu就是对负输入输出0，对正数输出线性输出，这样就形成了单侧抑制。
2. 求取特征图后，要进行pooling（池化，其实叫降采样可能更好一点），TensorFlow用的是max-pooling，就是就特征图一区域里面的最大值，而LeNet-5里面用的就是mean-pooling。
3. TensorFlow经过若干的卷积和池化后接的是Softmax，而LeNet-5接的是RBF。
4. TensorFlow有两种卷积模式“VALID”和“SAME”，使用前一种模式的时候，计算过程中卷积核只会覆盖那些有值区域，所以算出的结果会比输入图像小，使用SAME模式时，卷积核也会覆盖那些图片外面的区域，保证计算出来的结果和输入图像的大小一样。
所以，在TensorFlow这个例子里面，它采用的模式是SAME，经过第一次卷积，使用了32种卷积核，计算出32张28*28的特征图，经过一次2*2大小的MAX Pooling，减为14*14，然后再经过第二次卷积，计算出64张14*14的特征图（每个图都用了两个卷积核），再经过一次MAX Pooling，得到7*7的图，将这个图输入到有7*7*64个输入，1024个输出的全连接神经网络，然后再加一个SoftMax层，就得到最后的10个概率值。
如果对比LeNet-5，不同的地方还是很多的。
在教程阐述网络结构的时候，有这样的一句话：“TensorFlow在卷积和池化上有很强的灵活性。我们怎么处理边界？步长应该设多大？在这个实例里，我们会一直使用vanilla版本。”。那么什么是Vanilla版本？也就是最一般，最正常的版本。
"Vanilla" is a common euphemism for "regular" or "without any fancy stuff."
2. Dropout是什么
Dropout是为了解决大规模深度学习的两个缺点：费时，过拟合而发明的一种方法。Dropout就是在不同的训练过程中随机扔掉一部分神经元。
操作过程如下：
在一次训练中：每个神经元有p的概率被选中为有效，如果被选为无效神经元，那么这次训练过程中不更新权值，也不参加神经网络的计算。
在验证中：每个神经元都要参加运算，但其输出要乘以概率p。教程中有一句“TensorFlow的tf.nn.dropout操作除了可以屏蔽神经元的输出外，还会自动处理神经元输出值的scale。所以用dropout的时候可以不用考虑scale。”，这里的scale就是指输出时要乘的这个概率。
这一篇文章解释了什么是Dropout： http://blog.csdn.net/stdcoutzyx/article/details/49022443
3. 什么是ADAM优化器
TensorFlow这个例子里面最后用了Adam优化器，而不是用的GradientDescent，Adam也是一种基于梯度下降的方法。这一篇文章有比较详细的叙述：http://www.cnblogs.com/xinchrome/p/4964930.html