总结：
全连接侧重 特征的精确位置
卷积层侧重 特征的相对位置
思考：每次训练都能学到一样的局部特征吗，为什么
卷积核
- 一个卷积核，就是一个局部特征
- 所以卷积层的输出会更少地依赖特征的精确位置（相比全连接层）
为什么这么说:
因为全连接层的权重和位置有着紧密的关联
但卷积层的权重和特征本身紧密关联
- 优点：计算量少，泛化能力高
理解内在逻辑
池化核
- 一个过滤器
- 作用：让特征更加集中
一层中使用较多的卷积核有什么用：
1.提取出更多的局部特征
2.减轻池化层的信息损失
全连接侧重 特征的精确位置
卷积层侧重 特征的相对位置
思考：每次训练都能学到一样的局部特征吗，为什么
为什么这么说:
因为全连接层的权重和位置有着紧密的关联
但卷积层的权重和特征本身紧密关联
理解内在逻辑
1.提取出更多的局部特征
2.减轻池化层的信息损失
道可道，非常道；名可名，非常名。 无名，天地之始，有名，万物之母。 故常无欲，以观其妙，常有欲，以观其徼。 此两者，同出而异名，同谓之玄，玄之又玄，众妙之门。