一个卷积神经网络包括卷积层，池化层和全连接层（fully connected layer）
在统计神经网络有多少层时，通常只统计具有权重和参数的层，因为池化层没有权重和参数，所以我们把一个Conv（卷积层）和一个POOL（池化层）共同作为一个卷积，两者组成神经网络Layer（层）的一部分。
当将下图的POOL2平整化为一个大小为400的一维向量时，再利用这400个单元构建下一层（含有120个单元），
就得到第一个全连接层FC3，这400个单元和120个单元紧密相连，它在120*400的维度上具有一个权重矩阵W[3],
然后输出120个维度，对这120个单元再添加一个全连接层（84个单元），标记为FC4，
用这84个单元填充一个softmax单元，例如识别手写的0~9，则softmax就会有10个输出。
Convolutional Neural Network（卷积神经网络）
随着神经网络的加深，激活值不断变小（下降太快也会影响网络性能）
可见输入层和池化层都没有参数，许多参数都存在于神经网络的全连接层，
和只用全连接层相比，卷积层的优势在于参数共享和稀疏连接。
参数共享：即用相同的过滤器来检测图片上不同的区域。（自己的理解）
稀疏连接：即每次过滤器检测时都不会受到检测区域之外的像素值的影响。（自己的理解）
神经网络可以用这两种机制来减少参数，以便于我们用更小的训练集来训练它，从而预防过度拟合。
Eg:猫咪检测器：
x表示一张图片，y^是二进制标记或某个重要标记。
卷积层和全连接层有不同的参数和偏差b。
训练神经网络，要用的就是梯度下降法或其他算法，例如含冲量的梯度下降，含RMSProp或其它因子的梯度下降。
来优化神经网络中的所有参数，以减少代价函数J（等于神经网络对整个训练集的预测的损失总和）的值。