开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第十二天，点击查看活动详情
总结：此文为12月更文计划第十二天第十八篇。
2.卷积神经网络特点
在全连接层，比如1000*1000的图片输入，那么第一层，接受的神经元个数应该是多少个呢？
神经元个数应该是接收到图片的特征数。所以在没有卷积层的过程中，输入层输入的参数达到万亿级别。
几乎不可能进行计算。
所以
卷积—解决问题，我们把每 1000*1000 的点映射到一个单元
◆局部连接
举例:
●图像大小 1000*1000
●下一层神经元为 10^6
●局部连接范围为 10*10，也就是只跟图像中的 100 个像素做连接
●全连接参数为 101010^6=10^8
10^8 依然是很多的，下面用另一种办法，参数共享
◆局部连接
◆参数共享—图中的蓝色的，红色的参数数目是相同的，做参数共享
举例:
●图像大小 1000* 1000
●下一层神经元为 10^6
●局部连接范围为 10*10
●全连接参数为 10*10=10^2 从 1 亿降为了 1 百，因为跟神经元没有关系，所以不再乘以10^6
为什么我们可以这么做(卷积为什么有作用)呢？
局部连接
图像的区域性—爱因斯坦的嘴唇附近的色彩等是相似的
参数共享与平移不变性
图像特征与位置无关---左边是脸，右边也是脸，这样无论脸放在什么地方都检查出来，
卷积操作：
刚好可以解决过拟合的问题（否则脸放到其他地方就检测不出来） 卷积运算主要通过三个重要思想来改进上述面来的问题：稀疏连接、参数共享、平移不变性。
卷积-解决问题-来看节点的数目的减少
卷积操作的参数共享特性使得需要优化的参数数目大幅缩减，提高了训练的速度。
