6、单层卷积网络

作用：缩减模型大小，提高计算速度，同时提高所提取特征的鲁棒性。
池化层（最大池化层和平均池化层）中的超级参数：滤波器大小$f$f、步长$s$s，运用频率最高的超级参数数值为$f=2,s=2$f=2,s=2，效果相当于将原始图像的高度和宽度缩减了一半。

池化层中很少使用步长$p$p这个超级参数，并且池化层是一个静态属性，在逆向过程中没有参数需要学习，超级参数都是初始人为赋予的。
上图中的$n_H×n_w×n_c$nH​×nw​×nc​指的是池化后输出图像的大小。

先上图：

上图是一个简单卷积神经网络的示例，从上图的构建我们可以得出结论如下：
1、一般在统计网络层数时，只计算有权重的层，池化层没有权重，所以通常将池化层和它前面的卷积层算作一层。
2、卷积层的作用是提取重要特征，池化层的作用的改变图像结构，使计算快捷。
3、图中在第二层的池化层处理后，将数据平整为大小为400的一维向量，然后利用这400个单元构建下一层的全连接层，其中，这400个单元与全连接层中120个单元中的每一个单元相连接，则它所具有的权重矩阵$w^{[3]}$w[3]维度为（120，400），因为最后有120个输出，所以偏置$b^{[3]}$b[3]为120。
4、超级参数的选择要点在于大量阅读别人的文献数据，借鉴他人数据。
5、随着神经网络的深度增加，宽度和高度都会随之减小，而信道数量会增加。
6、在卷积神经网络中一个常见的模式是，一个或多个卷积层后跟随一个池化层，然后是几个全连接层，最后是一个softmax。

下表是关于上图过程中**值大小和参数数量的统计：

比起全部使用全连接层，卷积层的优势在于参数共享和稀疏连接。

关于参数共享和稀疏连接的具体解释如上图所示，目前还无法深入了解，只能先意会。