今天的內容會帶大家了解 1. CNN Flow
 2. 池化層超參數的調適 CNN 適合用在影像上： 1. fully-connected networking (全連接層) 如果用在影像辨識上 會導致參數過多(因為像素很多)，導致 over-fitting(過度擬合) 2. CNN 針對影像辨識的特性，特別設計過，來減少參數 3. Convolution(卷積) : 學出 filter 比對原始圖片，產生出 feature map (特徵圖, 也當成image) 4. Max Pooling (最大池化)：將 feature map 縮小 5. Flatten (平坦層)：將每個像素的 channels (有多少個filters) 展開成 fully connected feedforward network (全連接的前行網路) 6. AlphaGo 也用了 CNN，但是沒有用 Max Pooling (所以不同問題需要不同model) 有了大概的理解之後，我們開始今天的學習吧！！！