图形的特点：

1. 图像的区域性--即：图像中某一个特征只与某一个子区域有关系，与整个图像没关系
2. 图像特征与位置无关--即：图像所包含的内容与内容位于图像中的位置无关，只要它出现在图像中就OK了。

针对图像的以上特点，我们定义的卷积神经网络参数具有如下特点：

1. 局部连接

2. 全局共享

卷积核就是局部连接的参数。

加权求和本质是卷积操作没啥区别。

卷积核的参数

1. P=边距(padding)
2. S=步长(stride)
3. 输出尺寸=(N-P)/S+1
4. 卷积总的参数数目=Kw*Kh*Ci*Co
   1. Kw，Kh ：卷积核长宽
   2. Ci：输出通道数
   3. Co：输出通道数

一个卷积核代表图像的一个特征

池化：减少图像尺寸，增加平移、选择的鲁棒性

• 常常使用不重叠、不补零，即：池化的步长就等于卷积核的大小中一维。
• 没有用于求导的参数

全连接层特点：

• 将上一层输出展开并连接到每一个神经元上
• 就是普通神经网络的层。
• 参数数目：Ci*Co
  • Ci,Co为输入、输出的神经元数目
• 全连接丢失了二维信息，之后再无卷积操作和池化操作。

卷积神经网络=卷积层+池化层+全连接层