解决多层感知机问题
问题：图像在同一列邻近的像素在这个向量中可能相距较远，它们构成的模式可能难以被模型识别
解决：卷积层保留输入形状，使图像的像素在高和宽两个方向上的相关性均可能被有效识别
问题：对于大尺寸的输入图像，使用全连接层容易造成模型过大
解决：卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大
LeNet模型
LeNet分为卷积层块和全连接层块两个部分
卷积层块里的基本单位是卷积层后接最大池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的最大池化层则用来降低卷积层对位置的敏感性。卷积层块由两个这样的基本单位重复堆叠构成
卷积层块的输出形状为(批量大小, 通道, 高, 宽)。当卷积层块的输出传入全连接层块时，全连接层块会将小批量中每个样本变平（flatten）。也就是说，全连接层的输入形状将变成二维，其中第一维是小批量中的样本，第二维是每个样本变平后的向量表示，且向量长度为通道、高和宽的乘积
