当使用多层更深的隐藏层全连接网络时，参数量会变得非常巨大，达到数十亿量级；而采用CNN结构，则可以层间共享权重，极大减小待训练的参数量；同时可采用二维卷积，保留图像的空间结构信息；采用池化层，进一步减少参数计算。
　　一般来说，提高泛化能力的方法主要有： 正则化、增加神经网络层数、改变激活函数与代价函数、使用好的权重初始化技术、人为扩展训练集、弃权技术。
　　下面以MNIST为例，结合CNN、Pooling、Fc结构，通过不同的网络结构变化，给这些参数优化理论一个直观的验证结果。

　　可以看出：
　　1、使用L2正则化，dropout技术，扩展数据集等，有效缓解过拟合，提升了性能；
　　2、使用ReLU，导数为常量，可以缓解梯度下降问题，并加速训练；
　　3、增加Conv/Pooling与Fc层，可以改善性能。
　　
　　Note：
　　1、网络并非越深越好，单纯的Conv/Pooling/Fc结构，增加到一定深度后由于过拟合性能反而下降。
　　2、网络结构信息更重要，如使用GoogleNet、ResNet等。