几种主要的神经网络
卷积神经网络的输入为二维的像素整阵列，输出为这个图片的属性，当网络训练学习后，所输入的图片或许经过稍微的变换，但卷积神经网络还是可以通过识别图片局部的特征而将整个图片识别出来。
：该层要做的处理主要是对原始图像数据进行预处理，包括去均值（把输入数据各个维度都中心化为0，其目的就是把样本的中心拉回到坐标系原点上），归一化（幅度归一化到同样的范围）；
：相当于滤镜，将图片进行分块，对每一块进行特征处理，从而提取特征，这是最重要的一层。具体操作还未仔细学习。
：池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。通过对提取的高维特征进行降维，对于输入为图像的情况，这里最主要的作用应该就是压缩。
：对空间排列的特征化成一维的向量。
计算机视觉，图像和视频分析的各种任务上
，比如图像分类，人脸识别，物体识别，图像分割等，其准确率也远远超过了其他的人工神经网络。近年来，卷积神经网络也应用到自然语言处理和推荐系统等领域。
四、循环神经网络（Recurrent neural network，RNN ）
的神经网络，在循环神经网络中，神经元不仅可以接受其他神经元的信息，还可以接受自身的信息，形成一个环路结构。在很多现实任务中，网络的输出不仅和当前的输入有关，也和过去一段时间的输出相关。
从网络结构上，循环神经网络会记忆之前的信息，并利用之前的信息影响后面结点的输出。即：循环神经网络的隐藏层之间的结点是有连接的，**隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。**类似于机器学习西瓜书的5.5.5介绍的Elman网络
常用于文本填充、时间序列、语音识别等序列数据。
