论文Network in network （ICLR 2014）是对传统CNN的改进，传统的CNN就交替的卷积层和池化层的叠加，其中卷积层就是把上一层的输出与卷积核（即滤波器）卷积，是线性变换，然后再加上一个非线性变换的激活函数（比如：relu），但是在NIN中并有像CNN中这样，
1.它们的区别之一是卷积层不一样：
CNN: 卷积层＝ 卷积+激活函数
NIN：卷积层＝mlpconv层＝ 卷积+MLP ＝ 卷积+1*1卷积+1*1卷积＝卷积+relu+1*1卷积+relu+1*1卷积+relu
a.一个mlpconv层的cafe实现代码见：深度学习（二十六）Network In Network学习笔记-ICLR 2014
b.问题：我在想如果把NIN的mlpconv层中的relu变成maxout会怎么样？有人做这方面工作了吗？
答：好像论文“Batch-normalized Maxout Network in Network”就是这样做的
2.NIN与CNN的区别之二是softmax前一层不一样：
CNN：全连接层+softmax
NIN：全局均值池化+softmax
alexnet的参数要230多M，而NIN只要29M，且准确率更高
3.NIN的结构：
data---conv1(96,11,4)=（滤波器数，卷积核大小，stride）---relu0---cccp1---relu1---cccp2---relu2---pool1(3*3,2)=(kernel_size,stride)---
conv2(256,5,1)---relu3---cccp3---relu4---cccp4---relu5---pool2(3*3,2)--
conv3(384,3,1)---relu6---cccp5---relu7---cccp6---relu8---pool3(3*3,2)---dropout(0.5)---
conv4(1024,3,1)---relu9---cccp7---relu10---cccp8---relu11---pool4(6*6,1)---softmax
注意：cccp=conv（1,1）即：“隐隐层”就是一个1×1的卷积层
基础资料：
论文翻译见：深度学习（二十六）Network In Network学习笔记-ICLR 2014；
NIN结构详细解释：（Paper）Network in Network网络分析