通过笔记本电脑共享网络的方式，使内部服务器也能访问外部网络。

完美解决visio形状搜索一直显示无匹配的问题

权重矩阵w的维度为第l层的神经元个数 X 第l-1层的神经元个数，即是n(l),n(l-1)的矩阵。

统一visio中具有透视效果块的颜色（即去除块中阴影）-----绘制神经网络模块的必备技能

填充能解决图像边缘的像素点（如左上角的）只被卷积一次的情况，相当于被忽略了，而中间像素点却可以被多次卷积的情况。两种Padding方式，1）Valid：代表不填充，即P=0；2）Same：代表填充后输出矩阵的大小与原矩阵保持一致，即P = （f-1）/2,其中过滤器的大小为 f X f。...

其中，p是填充层数，s即为卷积时所走的步长

首先，卷积神经网络从低层到高层过程中，先是通过卷积层的卷积核提取低级特征（如垂直边缘特征，水平边缘特征，颜色等局部特征），随着层数加深，慢慢实现层边缘特征到局部特征的转换（在中间主要靠池化层扩大感受野），到了全连接层，就逐渐实现将多个部分特征（即每个特征图代表一种特征）组合为整体的转变。重点是，最初卷积层是如何提取多个特征？因为随机初始化权重导致不同的卷积核有不同的参数，而后更新的过程中导致它..

优点：1.在卷积层所用的权重和偏置的参数较少，两个原因：（1）参数共享；（ 2）稀疏连接。2. 具有平移不变性，即使图片中的目标位置平移到图片另一个地方，卷积神经网络仍然能很好地识别出这个目标，输出的结果也和原来未平移之前是一致的。...

在卷积神经网络中，星号*代表卷积运算，其中3X3的矩阵代表滤波器（也叫核），有很多种，例如用于垂直边缘检测，还有水平边缘检测等等。上面用水平边缘检测得到的4X4的矩阵中，正数代表边缘上下的颜色分布和滤波器是一致的，例如30代表原始矩阵中所用到的3X3的部分是与滤波器的颜色分布一致。...