这一节是算法原理和背景的最后一章节，下一节开始进入实战部分。
如果你从第一节看到这一节，这总共56节的内容基本上都能理解的话，那么恭喜你，算法原理部分已经掌握了，也基本接近入门了。
总结一下算法原理的部分，介绍了传统计算机视觉的一些算法，比如滤波算法，然后介绍了一些深度学习的基础概念，包括训练和推理，正向传播，反向传播和损失函数。
随后重点介绍了resnet这一神经网络中用到的算法，包括卷积算法，批归一化算法，池化算法，激活函数，还有矩阵乘算法，以及每一个算法的原理和优势。
最后面的几节介绍了全连接算法，交叉熵损失函数，还有softmax算法。
同时在介绍一些常见算法的过程中，夹杂了一些算法的代码实现，这些实现是最原始的实现版本，只是实现功能，后面代码实战部分会逐步进行性能优化。
在进入实战之前，本节再继续介绍一下 resnet 这个神经网络中存在的一个概念，叫做下采样。
resnet 中的下采样
所谓下采样，我们可以通俗的理解为将原始输入的像素点数进行采样，采样的结果是输出的像素点数小于输入的像素点数，也就是下采样。
要实现下采样，有很多种算法，resnet 中主要使用以下两种算法来实现的。
第一种是使用步长为2的卷积层。
步长为2的卷积层指的是卷积参数中stride等于2。还记得在介绍卷积参数的时候stride=2是什么意思吗？
它代表了每隔一个像素点进行一次计算，因此这样计算之后，