diff --git a/深度学习入门/assets/1609386518724.png b/深度学习入门/assets/1609386518724.png
new file mode 100644
index 0000000..c56750c
Binary files /dev/null and b/深度学习入门/assets/1609386518724.png differ
diff --git a/深度学习入门/assets/1609463898618.png b/深度学习入门/assets/1609463898618.png
new file mode 100644
index 0000000..e9d37fe
Binary files /dev/null and b/深度学习入门/assets/1609463898618.png differ
diff --git a/深度学习入门/assets/1609464833488.png b/深度学习入门/assets/1609464833488.png
new file mode 100644
index 0000000..b913d77
Binary files /dev/null and b/深度学习入门/assets/1609464833488.png differ
diff --git a/深度学习入门/assets/1609464902930.png b/深度学习入门/assets/1609464902930.png
new file mode 100644
index 0000000..9880ab7
Binary files /dev/null and b/深度学习入门/assets/1609464902930.png differ
diff --git a/深度学习入门/assets/1609465049960.png b/深度学习入门/assets/1609465049960.png
new file mode 100644
index 0000000..598d18d
Binary files /dev/null and b/深度学习入门/assets/1609465049960.png differ
diff --git a/深度学习入门/assets/1609465201423.png b/深度学习入门/assets/1609465201423.png
new file mode 100644
index 0000000..b9f7348
Binary files /dev/null and b/深度学习入门/assets/1609465201423.png differ
diff --git a/深度学习入门/assets/2021010109030000.gif b/深度学习入门/assets/2021010109030000.gif
new file mode 100644
index 0000000..320de5f
Binary files /dev/null and b/深度学习入门/assets/2021010109030000.gif differ
diff --git a/深度学习入门/第三章——卷积神经网络.md b/深度学习入门/第三章——卷积神经网络.md
index a2c0ca8..94d64c6 100644
--- a/深度学习入门/第三章——卷积神经网络.md
+++ b/深度学习入门/第三章——卷积神经网络.md
@@ -112,4 +112,65 @@ CV领域发展：
 
   ![1609385564766](assets/1609385564766.png)
 
-  
\ No newline at end of file
+- 卷积参数共享：即input使用的W部分的参数是共享的，卷积网络比之前的全连接大大减少了参数，不再需要每个对应的W。
+
+
+
+#### 池化层的作用
+
+将原始input的所有数据，进行压缩
+
+![1609386518724](assets/1609386518724.png)
+
+> 减少长宽以减少数据量的体积。
+
+最大池化MAX POOLING：
+
+![2021010109030000](assets/2021010109030000.gif)
+
+- 如上图，从可选中，选出最大的值。为什么选择最大的值，因为前面是有权重W相乘的，还记得前面的W0和W1吗，如果计算完成得到的结果最大，那说明该结果是最重要的，所以这里选最大的，即挑最重要的。
+
+- 体积也从上图的2×2矩阵变成4×4的矩阵
+
+- 除了最大池化还有平均池化，不过平均池化基本没人用，既然有最好的结果，就应该拿最好的。
+
+- 池化层没有结果任何计算，只是选最大的
+
+
+
+#### 整体网络架构
+
+只有带参数的才能算层，Relu和池化不算
+
+![1609463898618](assets/1609463898618.png)
+
+将一张图，通过不断卷积、池化、最后变成一条向量，接上全连接层，进行分类。
+
+
+
+#### 残差网络ResNet
+
+深度网络遇到的问题：越大的层数理论上意味着越好，但实际是这样吗？下面是一组很早前测试的图
+
+![1609464833488](assets/1609464833488.png)
+
+> 左边的训练集和右边的预测集都是20层的反而比56层的好，那么说明多出的36层起负作用。
+
+解决方案：
+
+![1609464902930](assets/1609464902930.png)
+
+> 我们还是跟原来一样增加层数，但在此基础上增加残差，也就是如果多的一层网络效果并不比上一层好，那么依然使用上一层的结果，可以看到X直接跳过了两层，这样就能保证了效果一定是越来越好的。
+
+传统神经网络和Resnet的对比
+
+![1609465049960](assets/1609465049960.png)
+
+> ResNet是层数越多效果越好。
+
+下图是某个比赛中，冠军方案使用ResNet的层数是152层，第二名的22层有6.7的残差，而第一名的152层只有3.57的残差，相差近一倍的效果
+
+![1609465201423](assets/1609465201423.png)
+
+> 当然层数越多，可能收益越少，但是保证残差一定是小于等于之前的低层数，也就是结果一定是向好的发展。
+