不太確定捲積式神經網路 (CNN) 的精確定義，但大致上是用捲積層 (convolution layer) 取代 DNN 中的幾個全連接層 (fully connected layer)，這些捲積層概念跟 feature filter 類似。
先大概有個概念就夠，實作時跟前一篇 DNN 一樣，這些 layer 都像是公版，所以 PyTorch 都有提供，可以直接用，每一層 input, output 大小有對好就可以。
至於第 12 行， fc layer 的 input 長度 9024 是怎麼算的？不好解釋，隨便填個數字也可以，但執行的時候程式會報錯，印象中 error log 會告訴我們要填 9024。
關於參數量：
MyDNN: 446,637,012
MyCNN: 670,572
CNN省記憶體，省能源，跑得快，準確度高，跟某車廠說小改款的車型，馬力更大卻更省油一樣唬爛。
系列文整理：
0. 從零開始，打造第一個 AI 模型 (序言)
1. 環境設定
2. 準備資料集
3. 實做 全連接神經網路 (參數較多)
4. 實做 捲積式神經網路 (參數較少)
5. 訓練、匯出模型
6. 載入、使用模型
