在上一节课里面，讲到了关于滑动窗口的实现方法，可以在图片内画出一个个框，分别检测框里面是否有符合物体的目标，然后进行整张图片的标注。
但是这样就有一个问题，由于卷积神经网络的计算非常复杂，引入了滑动窗口算法之后，会导致计算量巨大，而且有很多部分是被重复计算了。
如何把全连接层转换成卷积层
在上图当中，上面的过程是正常的一个卷积神经网络的模型，从一开始的过滤器，然后进行最大池化，把这个最大池化后的数组一个个平铺开来，就是一个全连接层了。
那么在下面的过程当中，我们使用卷积的操作，代替全连接层，使得整个过程当中只通过过滤器，来达到跟全连接层一样的效果。（虽然我觉得全连接层和用400个5516的过滤器得到的东西个数从数学上来说是一样的，但是好像和直接拉成一维的又有点不太一样，不太清楚中间是不是有差别）。
那么如何把这个方法用到滑动窗口的卷积计算优化上呢？
在这里，通过演示在16x16x3的图片当中进行14x14x3的窗口滑动，来展现卷积实现滑动窗口与一个个滑动窗口进行分类之间的不同。
正常来说，我们需要在16x16的窗口里一个个进行移动，然后输入到卷积层当中进行计算，我们就拿第一层进行举例，如果是分开来计算的话，假设步长为2x2，那么总共会有4个滑动窗口，也就是4x10x10x16，但是如果通过卷积的方法的话，只会生成一个12x12x16的数组，从计算量来说，就小了一个数量级。
但是在这里我有点迷惑的是，如果我们现在想用步长1x1的窗口进行移动的话，这个数组的大小就不对了啊，如果跟上面的maxpool一样的话，最后生成的滑动窗口个数还是4个，跟预期不太符合。因此这个为什么这么计算我想还是要多看一看。如果从变成全连接层的那个过滤器考虑的话，也是可以做到变成跟滑动窗口一样的个数的，但是是否观察的是对应每一个滑动窗口呢？
然后就是针对之前的图片的滑动窗口卷积实现的演示了，额不过说实话，我这里也没太看懂他为什么从28x28就变成16x16了，可能是因为步长改变了，然后加了padding，不过重点是要学习它的这种卷积的方法。这是一种从数学上纯改进减少计算代价的一种措施。
