请问lenet-5的C3层是如何对S2层进行处理的？看paper上面的连接图如图所示，以C3层的0为例它和S2层的0,1,2相连，而0,1,2都是14*14的map，而C3的0是10*10map，我可以卷积处理一个14*14的map成一个10*10map（就是拿一个5*5的卷积核在map上移动），但是这里怎么把3个14*14map处理成一个10*10map，难道是卷积核在这3个map上来回跳着卷积？实在想不通这里，还望高手指教

要实现大家真正先要的那个程度的人工智能，只有机器学习就够了吗？为什么没人开发新的学科？只要继续发明新的机器学习算法就能够达成那种程度的AI了吗？

AlphaGO 作为人工智能技术领域的杰出成果，背后有哪些细节？比如硬件组成和架构，软件配置，算法细节，运行环境等。是否利用了开源资源等？以后开源的可能性？个人或社区是否有复制的可能？目前互联网上有哪些开源得到人工智能资源？

很多人都推荐说 MIT 的 Deep Learning 是比较权威的一本学习 深度学习 的书。 大家怎么看？此书还未出版，详见官方网站 ： Deep Learning

想要配置一个用于深度学习的机器，暂时用2个GTX Titan x,后期可能想要扩展到用4个GTX Titan x，能扩展到8个更好，应该如何配置呢？主板、cpu、内存、硬盘、机箱、电源、散热这些都需要考虑。

bp算法容易收敛到局部最优，普遍通用的做法避免收敛到局部最优的方法是什么呢？通常做神经网络优化是用bp算法吗？为什么不用粒子群呢？

和大数据一样 大数据是无法直接变现的 深度学习似乎也是这样 没有落地的行业背景和需求 再好的算法也发挥不了价值

我用的是一个3层的NN,网络结构是（28, 50, 2 ） 正负样本的比例大概是1:1000（我没办法收集到更多的正样本了）

为什么蚂可用那么长的时间？文中说用了20分钟至30分钟的时间，按理说机器不应该是更快时间完成吗？求解释。。http://mp.weixin.qq.com/s?__biz=MjM5NTAwMjAyMA==&mid=2697226518&idx=1&sn=4f4a7a54153989f7bd000b5f51b74ab4&scene=2&srcid=0630J6oRT10W6eaUUzuwsh3Y&from=timeline&isappinstalled=0#wechat_redirect

我发现绝大多数用神经网络、深度学习方法解决的问题都是分类问题。对于连续型变量的回归预测问题（比如预测身高、体重、年龄、温度、质量得分），我也见过几篇用神经网络的文章，但结论都是神经网络不适用，推测原因是神经元中非线性映射函数的存在。之前一个朋友的解决方法是把连续型变量按区间划分，转化为离散的类别变量……但我总觉得这样不太好。请教各位大神们，有没有很好的用神经网络实现连续型变量回归预测的方法？或者相关的讨论或结论？