1.神经网络基础
2.计算机视觉基础
3.传统神经网络结构
4.全局感知和权值扫描
5.卷积神经网络结构
6.回顾线代矩阵和向量点积
7.卷积算法基本原理
8.卷积神经网络层次分解
9.输入层的特征提取
10.卷积层的卷积三轮分解
11.sigmoid激活函数特征提取和凸优化
12.激活层特征分析
13.隐含层特征值优化
14.池化层特征抽象
15.一维卷积，二维卷积，三维卷积计算和特征值合并
16.三维卷积合并为一维矩阵
17.局部感知和权重共享
18.输出层激活提取值并计算泊松分布结果
19.对泊松分布结果基于全概率公式和傅立叶变换分析概率
20.基于极大似然估计对多个输出值进行概率计算
21.基于方向导数和泰勒公式逼近mle的结果
22.设定模型相似度阀值
23.梯度下降模型训练
24.模型训练结果同阀值对比，如果误差率在欠拟合和过拟合结果之间，则相似度高，根据相似度输出相似度最大的3个图像预测结果即可。
涉及到的以往知识点如下：
1.高数数学分析的taylor公式和方导，梯度下降
2.高数线性代数的矩阵和向量点积计算，傅立叶变换
3.高数概率论数理统计的泊松分布，极大似然估计
4.机器学习的拟合问题解决方案
5.机器学习的激活函数和特征工程
6.机器学习的精准率和F1指标，哑编码
7.Python numpy，pandas库
8.Python机器学习框架scikit learn
开发环境：anaconda3.5，jupyter notebook