课程地址：http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/
在之前的练习中，图片比较小，这节课的方法可以应用到更大的图像上。
Fully Connected Networks
在sparse autoencoder（后面会讲到）中，一种设计选择是将输入层与隐藏层fully connect，这种方式对图片小的情况下计算量还
可以接受，但对大图片来说变得不可接受。
Locally Connected Networks
一种简单的解决方式是隐藏层只连接一部分的输入层，即只对特定的输入产生反应。
Convolutions
自然图像有一种stationary的性质，即图像的某个部分的统计信息和该图像的其他部分是一致的，也就是说，在图像某个部分提取的特征可
以应用到图像的其他部分，并且可以在所有的位置上使用同样的特征（不太理解啊）。
更准确的说，我们可以在一副96*96图像上随机提取一个patch(比如8*8)的特征，我们可以将这个8*8的feature detector应用到这副图像的任何地方，
具体说就是，我们将学习到的8*8feature与大图像作convolve，因而在图像的每个位置上都得到一个不同的feature activation value
为了更好理解，给了一个具体的例子。假设已经学到了特征，来自于一个96*96图像上的一个8*8的patch,更近一步，假设这是由一个有100个隐藏单元的
autoencoder完成的。为了得到convolved features，对于96*96的每个8*8区域（参考课程中的动图）。
正式的说法是，给定一个r*c的大图xlarge，我们首先在一个小的a*b的pathces xsmall（从大图中采样得到）上训练一个sparse autoencoder，使及方程
得到k个特征，然后
下部分将要讨论如何pool这些特征，来得到更好的用于分类的特征。
转播
