关于卷积神经网络（CNN）概念及过程的理解

局部连接：
局部区域大小就是滤波器Filter，每一个卷积核对应一个Filter，对区域内数据进行卷积操作；
权值共享：
遍历一次CNN结构（或者一层卷积层），每一层的每一个卷积核，在滑动计算一个Batch size的图像矩阵时，卷积核的参数都是固定的，直到下一轮卷积操作前才会更新权值；

卷积神经网络最大的特点就在于它的局部连接和权值共享，通过卷积操作实现局部连接，这个局部区域的大小就是滤波器filter，避免了全连接中参数过多造成无法计算的情况，再通过参数共享来缩减实际参数的数量，为实现多层网络提供了可能。

参数计算：
在下图中，如果不使用权值共享，则特征图由10个32321的特征图组成，每个特征图上有1024个神经元，每个神经元对应输入图像上的一块553的区域，所以一个神经元和输入图像的这块区域有75个连接（即每一次计算神经网络的卷积核的权值都不是固定的），即75个权值参数，则共有75102410=768000个权值参数，这对于参数的调整和传递非常不利，因此卷积神经网络引入权值共享原则，一个特征图上每个神经元对应的75个权值参数被每个神经元共享，这里的共享其实就是指的每个神经元中75个权值参数采用对应相同的权值，权值共享时，只是在每一个filter上的每一个channel中是共享的，这样便只需75*10=750个权值参数，而每个特征图的阈值也共享，即需要10个阈值，则总共需要750+10=760个参数]

卷积公式和卷积核的关系：
直接相乘也看成卷积的一种，但真正符合卷积公式的应该是类似卷积核转置后再相乘

池化过程：
池化过程与卷积过程类似，也是通过窗口滑动计算结果，只是计算更简单

高低阶特征：
本质就是经过越多卷积层后输出的特征越高阶

定义卷积层的功能：
通过数据驱动进行训练，隐式的体现各个卷积核对特定功能的提取

部分内容参考链接： https://blog.csdn.net/qq_40962368/article/details/82864606