全连接神经网络存在很多不足，现在常用的网络是CNN。
一、全连接神经网络的缺点：
在结构方面上：参数居多，容易丢失空间信息（NV结构———（批次，h*w*c)）
如果只有两个隐藏层，每层256个节点，则MNIST数据集所需要的参数是：（28*28*256+256*256+256*10）个w，再加上（256+256+10）个b。除了计算过程中需要存储的海量的参数，还有海量的计算。大量的参数过多会导致过拟合。
一个好的拟合应该具有很强的泛化能力，不仅仅是训练时候损失低，测试的时候也需如此。
解决办法：1.训练集增加更多的数据（数据增强）2.降低模型的复杂度
二、卷积神经网络（CNN-Convolutional Neural Networks)
1、为什么用CNN?
在我们最熟悉的图像处理方面，卷积过程是考虑到图像的局部特征，能够更加准确的抽取空间特征。如果使用全连接的话，我们可能会考虑到很多不相关的信息。CNN有平移不变性，因为权值共享，图像平移了，卷积核还是可以识别出来，但是全连接则做不到，其次，目前很多计算采用的是边缘计算，很多使用的是精简指令集，在较小的内存条件下使用全连接神经网络是不现实的。
2、什么是卷积（提炼特征）
什么是卷积？通俗来讲：你在过去不同时刻惹女朋友生气的叠加，对女朋友现在坏心情的贡献就是卷积。卷积运算本质上就是在滤波器和输入数据的局部区域间做点积，将卷积层的前向传播变成一个巨大的矩阵乘法，卷积结构可以减少深层网络占用的内存量。
卷积有三个关键——局部感受野、权值共享、池化层(后面补充讲解），有效的减少了网络的参数个数，缓解了模型的过拟合问题。
在图像处理上：
二维——img.shape(1*6*6)，卷积核（1*3*3），输出（1*4*4）
如图中所示，目前卷积核滑动到了图像左上角，我们把图像上的9个值与卷积核的9个数值按照对应位置相乘再相加得到一个和，这个和就是我们得到的卷积值。然后把卷积核向右移动一个像素，再执行对应位置相乘再相加的过程得到第二个卷积值，当把所有像素遍历完成之后我们得到的结果就构成了一幅图像。这就是卷积得到的图像。
上面这些看起来有些抽象，我们来看一看动图：
（1）单输入通道单输出卷积
（2）多输入通道单输出卷积（channel=3)
(3)多输入通道多输出通道卷积（2个卷积，2个输出）
（4）4维度结构可视图N(3张图）C(3通道）H（长10）W(宽10）3*3*10*10
（5）卷积神经网络结构可视化
三、代码实现
#4层卷积-一层全连接神经网络实现，#输入图像shape=1*3*39*31
（1）不加全连接不加池化：
import torch
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.layer=nn.Sequential(
# 由卷积和全连接构成NCHW
# 定义卷积层
# 输出通道3，输出通道（20），卷积核尺寸（2*2）、步长1
nn.Conv2d(3 , 20, 2, 1),
nn.ReLU(),
nn.Conv2d(20, 40, 2, 1),
nn.ReLU(),
nn.Conv2d(40, 60, 2, 1),
nn.ReLU(),
nn.Conv2d(60, 80, 2, 1),
)
def forward(self,x):#前向传播
Conv_out = self.layer(x)
return Conv_out
#测试
if __name__ == '__main__':
net=Net()
x=torch.randn(1,3,39,31)#NCHW
y=net.forward(x)
print(y.shape)
#输出为#（1，80，35，27）（2）加入全连接未加池化:
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
#卷积层
self.Conv_layer=nn.Sequential(
# 由卷积和全连接构成NCHW
# 定义卷积层
# 输出通道3，输出通道（20），卷积核尺寸（2*2）、步长1
nn.Conv2d(3 , 20, 2, 1),
nn.ReLU(),
nn.Conv2d(20, 40, 2, 1),
nn.ReLU(),
nn.Conv2d(40, 60, 2, 1),
nn.ReLU(),
nn.Conv2d(60, 80, 2, 1),
)
#全连接层
self.Fnn_layer=nn.Sequential(
##卷积层的最终输出为#（1，80，35，27）
#则全连接的输入为（NV结构-N(1)V(80*35*27)
nn.Linear(80*35*27,160),
nn.Softmax(dim=1)
)
def forward(self,x):#前向传播
Conv_out = self.Conv_layer(x)
#将NCHW转为NV结构
out=Conv_out.reshape(-1,80*35*27)
out=self.Fnn_layer(out)#将NV传入全连接神经网络
return out
#测试
if __name__ == '__main__':
net=Net()
x=torch.randn(1,3,39,31)#NCHW
y=net.forward(x)
print(y.shape)
#输出为#（1，160）NV总结
以上我们久基本了解了卷积神经网络的基本原理和结构了，后面我们将深入分析卷积神经网络里的各种优化方法（如pooling（池化）等，我将在《卷积神经网络（CNN)基础理解(二）》里面详细解释。