全连接NN：每个神经元与前后相邻的每一个神经元都有连接关系，输入的是特征，输出的为预测结果。
参数个数：
共101770个参数
而在实际的项目过程中输入神经网络的是具有更高分辨率的彩色图片，使得输入神经网络的特征数过多，随着隐藏层层数的增加，网络规模过大，待优化参数过多很容易使模型过拟合，为了减少带训练参数，我们在应用过程时
会先对原始图片进行特征提取，把提取来的特征送给全连接网络，让全连接网络输出识别结果。
卷积计算是一种有效的提取图像特征的方法。
一般会用一个正方形的卷积核，按指定步长，在输入特征图上滑动，遍历输入特征途中每个像素点，每一个步长，卷积核会与输入特征图出现重合区域，重合区域对应元素想成求和再加上偏置项得到输出特征的一个像素点。
要想让卷积核与输入特征图对应点匹配上必须让卷积核的深度与输入特征图的深度一致。所以输入特征的深度决定了当前层卷积核的深度。
由于每个卷积核在卷积计算后会得到一张输入特征图，所以当前层使用了几个卷积核，就有几张输出特征图，所以当前卷积核的个数决定了当前输出层的深度。
如果觉得某曾模型的特征提取能力不足，可以在这一层多用几个卷积核，提高这一层的特征提取能力
里面的每个小颗粒都存储着一个带训练参数，每个卷积核的参数 = w *h *c+1
在执行卷积计算时卷积核里的参数是固定的，在每次反向传播时，卷积核中存储的参数会被梯度下降法更新，卷积就是用立体卷积核实现了参数的空间共享。卷积具体的计算过程：
对于输入特征图是单通道的选择单通道卷积核，下面例子的特征图是5行5列深度为1，选用3*3深度为1的卷积核，滑动步长为1，每滑动一步特征图与卷积核里的9个元素重合，对应元素求和再加上偏执项b
比如卷积核滑动至这个位置时，输出特征图中对应元素值 = （-1*1）+（0*0）+（1*2）+（-1*5）+（0*4）+（1*2）+（-1*3）+（0*4）+（4*5）+b
对应输入特征图是3通道的，即深度为3
