1.
上面這張圖解釋了我很久的困惑，就是下面這個圖和最早學習深度學習是看到的那些結點結構的圖，比如最早輸入224*224*3的照片，接下來經過64個卷積核（卷積核爲3個3*3的 ）的兩次卷積，，這樣明顯就是向前慢慢擴展了。
那些結點連線是最早便於介紹神經網絡是一維的時候就很好理解了。但是現在這樣寫法，因爲卷積其實也就是在進行權重加和，一個3*3的卷積核加到圖片上去不就是相當於那對應位置相乘再進行求和嘛。
第一層到第二層的權重個數就是（（3*3*3）* 64）了呀。
2.
最後是經歷了兩個全連接層的。
全連接層的每個結點都與上一層所有的結點相連接，用於來將前面提取到的特徵綜合起來，所以全連接層的參數也就是最多的。
我們可以看到第一個全連接層有4096個節點，上一層pooling之後是7*7*512=25088個節點，所以在這兩層之間將會有25088*4096個參數權重（這個還不算bias值，bias還有4096個呢）。
--------------------------------------------------------------------------------------------------------------
之後又是4096*4096（1*1的卷積核）
--------------------------------------------------------------------------------------------------------------
又是4096*1000（也是1*1的卷積核）
3.
卷積和全連接是有區別的，可以認爲卷積就是稀疏連接。
- 提升了計算的效率，並且減少了內存的消耗
- 不會限制我們的的輸入圖片的大小。
4.
有三個全連接層（看到網上一個解釋）
一個全連接層中的一層相當於一個多項式，我們使用許多的神經元去擬合這裏的數據分佈，如果只有一層那就很難解決非線性的問題了。
CNN網絡中前幾層的卷積層參數量佔比小，計算量佔比大；而後面的全連接層正好相反，大部分CNN網絡都具有這個特點。因此我們在進行計算加速優化時，重點放在卷積層；進行參數優化、權值裁剪時，重點放在全連接層。
5.
實現代碼（記錄兩個鏈接吧）