1.卷积层 ：每个卷积核产生一张提取后的单通道图像(3通道进行卷积后也是1张了，因为累加了)2.pooling层：对每张矩阵是单连接的，即一张矩阵对应一个pooling。3.全连接层：相当与把3张图像，即[C,W,H]进行展平为C*W*H个神经元，全连接到全连接层卷积层不要和全连接混了！看图以为卷积不也是全连接吗？？？ANN为全排列方式展示出来，即1维度，而CNN每层的神经元都是3维度展示出来，但

仿射层Affine layer是神经网络中的全连接层，其中仿射的可以看做是不同层神经元之间的相互连接，在许多方面可以被看作是神经网络的「标准」层。仿射层的一般形式如下y = f( wx + b)x 是层输入，w 是参数，b 是偏差，f 是非线性激活函数。全连接一般通常被用于卷积神经网络输出的最终层...

1.卷积层 ：每个卷积核产生一张提取后的单通道图像(3通道进行卷积后也是1张了，因为累加了)2.pooling层：对每张矩阵是单连接的，即一张矩阵对应一个pooling。3.全连接层：相当与把3张图像，即[C,W,H]进行展平为C*W*H个神经元，全连接到全连接层卷积层不要和全连接混了！看图以为卷积不也是全连接吗？？？ANN为全排列方式展示出来，即1维度，而CNN每层的神经元都是3维度展示出来，但

在看R-CNN 和Faster R-CNN，学到了两个词，端到端学习和非端到端学习。1.端到端学习：输入X，直接预测最终结果Y2.非端到端：需要多个组件才能预测最终结果 （example:R-CNN 需要单独的训练三个模块，包括①CNN特征向量的提取②SVM分类③边框修正）其意义：若数据集不够训练，可以考虑非端到端像通过儿童手骨X光预测年龄，没有这么多数据集，即手骨与年龄的标注数据集训练，但可以让