主要介绍了过滤器、卷积层和池化层中间的关系和工作原理，以及在卷积神经网络中各个层的变量参数定义，以及各个层之间的数学关系，最后得到了代价函数。

本篇主要记录神经网络的参数表示法，每个层每个神经单元的关系式，正解和代价函数，以及代价函数最小化、参数和训练数据规模等

主要介绍了什么是梯度，如何通过让一个函数通过每一点的梯度向量和学习率η趋近于极值，还通过二变量下的梯度下降法推广到适用于神经网络的多变量下的梯度下降法

前文中对导数、偏导数已经有了概念并能进行简单计算，本篇主要介绍单变量和多变量的复杂函数