卷积神经网络（CNN）
用于提取图片（或音频、心电图等）中的信息。它利用了这些数据中存在的特定性质。可以视为具有参数共享的稀疏连接多层网络。
CNN 主要利用的数据中的性质（归纳偏置）：
局部相关性：相隔比较远的数据关联性弱
平移等变性/平移不变性：同样的特征可能出现在图像的任何地方
信息的层次化：CNN 先提取图片低层次信息（比如各种轮廓），然后组合提取更高层次的信息
卷积层
由于图像一般是三通道颜色，所以卷积核大小一般是 。
为了利用图片边缘的信息，将图片扩展一圈，称为填充。扩展的像素值一般为 0。卷积核长宽一般是奇数，这样四周填充的宽度可以相等，
卷积核还可以有一个偏置项权重（多通道一般有多个），卷积后得到的像素值加上偏置，逐元素使用激活函数后才是输出。
池化层
- 降采样，只保留关键特征，防止过拟合
- 带来一些平移不变性
- 扩大感受野
- 减少参数
展平
在一系列卷积和池化层后要对（尺寸相对不大的）特征图展平到一维，然后连接密集层进行处理后得到最终输出。
U-Net
U-Net 通过对每个下采样层（称为“编码”）给出对应的上采样层（称为“解码”），实现语义分割：标注图片的每个像素是什么。