卷积神经网络有卷积层和池化层。包含多个卷积层和池化层。 卷积层有滤波器的作用。多层卷积层可描述为各级滤波器。获取不同粒度的信息 池化层也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。 传统神经网络特征提取和分类/回归等是分离的，也就是分别做参数的优化，这对整体优化不利。深度学习中，特征提取等和后续应用融合在一起，可以取得更好的性能。 卷积层和池化层都是可以构造的，如果应用到工业，是否可以根据工业特性（所谓工业的机理模型等）构造深度学习？这样能实现机