CNN中非常有特点的地方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。
卷积操作
在CNN中是利用卷积层进行特征提取的，图像的三个通道R(red)、G(green)、B(blue)，分别用不同的卷积核来进行卷积操作，说起卷积核这让我想起了我之前对图像进行的滤波处理，卷积运算本质上就是在滤波器和输入数据的局部区域间做点积，所以可以用矩阵乘法来实现，其实这是一个道理，卷积核对图像的操作可以用下图来表示：
为什么会设置不同的filter呢，因为不同的滤波器filter会得到不同的输出数据，比如颜色深浅、轮廓。相当于如果想提取图像的不同特征，则用不同的滤波器filter，提取想要的关于图像的特定信息：颜色深浅或轮廓。如下图，左边是图像输入，中间部分就是滤波器filter（带着一组固定权重的神经元）：
输入图像是32*32*3的，32表示的图像尺寸大小，3表示的它的深度（即RGB三个channel），卷积层是一个5*5*3的滤波器（filter），filter的深度必须和输入图像的深度相同，通过一个filter与输入图像的卷积可以得到一个28*28*1的特征图，下图是用了两个filter得到了两个特征图：
权值共享
在下图中，如果不使用权值共享，则特征图由10个32*32*1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5*5*3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75个权值参数，则共有75*1024*10=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。
神经元的偏置部分也是同一种滤波器共享的。
