卷积神经网络：
使用全连接层的局限性：
图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。
对于大尺寸的输入图像，使用全连接层容易导致模型过大。
使用卷积层的优势：
卷积层保留输入形状。
卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。
LeNet模型：
LeNet分为卷积层块和全连接层块两个部分。如图：
图中6@代表的是使用了6个不同的卷积核，在原图像上卷积之后就得到6个特征图 ，其中参数个数为（5*5+1）*6，1为偏置参数
卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后
