隐藏层（hidden layer）
为什么叫隐藏层？因为是黑盒角色；输入层输入到"黑盒"，将会得到进行运算，最后数据到输出层。隐藏层是深度学习一个基本概念。
输入层是原始数据样本，注意每个原始样本的滑窗范围（也叫感受视野，local receptive fields，也被称之为卷积核，还常被称之为filter，和"深度"意思一致）对应着隐藏层一个节点，这个映射过程是通过将输入数据*权重weight获得的，所以在窗口滑动的过程，么给窗口其实都是对应一个隐藏层节点，或者说每个隐藏层节点对应要给原始数据的滑窗。
隐藏层边长公式：（W-K）/S + 1
有的时候，为了控制隐藏层的分布，在原始数据的四周填充0，假设填充P行，这个行为叫padding，那么边长公式：（W - K + 2P）/S + 1，特别的S=1，P= (K-1)/2，可以保证输入输出层的分布（shape）是一样的。可以使用0填充的卷积称之为"泛卷积"，不能使用0来填充的卷积称之为"严格卷积"。
参数共享（shared weight）
参数共享说的是卷积核是所有的隐藏层都是一样的，就是共享权重，截距成为共享偏移（shared bias），输入层通过卷积核到隐藏层被称之为"特征映射"，在深度学习里面，每个输入层的窗口以及隐藏层的元素都是一个"特征"。
那么多个特征图呢？例如图片会有RGB三个通道，卷积核是三个还是一个呢？需要三个，每个通道（深度）应该有自己的卷积核。
池化层
池化层的目的就是减少特征，对于池化层的节点可以理解为上一层（隐藏层）的特征，或者说特征的特征；
线性计算
y = W.T * x + b；注意W.T是在前面；因为输入层转到隐藏层，样本的数量是要发生变化的；所以一定是X在后面，因为根据矩阵计算规则，取乘数的行数，被乘数的列数。
矩阵默认是列向量；比如numpy.zeros(5)，返回的是列向量（5，）；
反向传播的节点
Affine，sofmaxWithLoss等等其实都是计算图的一个节点，和前面介绍的加法，减法等一样；但是加减乘除必须要两个数据进行操作，对于其他的一些操作比如转换类，那么只需要一个参数就可以了，主要看业务的需要；
LSVRC
Large Scale Visual Recognition Challenge（LSVRC ，大规模视觉认知挑战赛）