如果不進行卷積操作，那麼所有的神經網路層之間將全部使用全連線。
圖中的兩級神經元：
所以，如果原圖的尺寸是 m×n，假設特徵圖的尺寸為 p×q ，那麼運算的過程中的權重個數是 m×n×p×q，權重的個數就是圖中兩層神經元之間的彩色的線的條數，因為圖中進行的操作是全連線操作。
因此，由圖可見，會產生非常大量的權重運算，浪費計算資源。
假設現在原圖的大小為 10 × 10，使用卷積核的大小為3 × 3，卷積核的個數為 5 個，用來提取 5 個不同的特徵，那麼得到的特徵圖大小為 8×8（10-3+1），如果使用padding 方法，那麼得到的特徵圖為10 × 10，但是，在運算過程中卷積核所使用的權重引數的個數僅僅為：3 × 3 × 5 = 45個權重引數。
ps:以上所有的描述，預設使用的灰度圖（也就是原圖通道數為1），方便闡述
【例項對比一下】
現有如下灰度圖原圖：
① 使用卷積法的引數數量：
3 × 3 × 5 = 45
② 使用全連線法的引數數量：
10 × 10 × 10 × 10 = 10000
數量級差別明顯，原因是：
cnn 卷積網路的過程中，乙個卷積核對一整幅原圖進行計算的時候，掃瞄整幅圖所有的部分用的是同乙個卷積核。如下：
可以看的很清楚，無論這個卷積核在原圖的哪乙個部分做運算，總是這同乙個卷積核，最後輸出得到乙個特徵圖。
如上圖所示，詳細展示了，如何在卷積核運算的過程中共享同一組權重引數，而且右邊的神經網路層也可以看的很清楚，右面神經網路圖的部分的顏色對應的是左邊卷積核中對應的引數。可以很直觀的看到，引數的數量大大減少，而且非常有效。
如何理解卷積 權值共享 池化
要理解卷積，首先你要理解什麼是全連線和區域性連線，全連線是什麼？舉個例子，100 100大小的影象，假設有100個隱含神經元，那麼就有100 100 100個連線，太可怕，區域性連線是什麼，假設每個隱含神經元只區域性連線10 10，那麼就有10 10 100個連線。那麼什麼是卷積，什麼又是權值共享？...
如何理解卷積神經網路中的權值共享
權值共享這個詞最開始其實是由lenet5模型提出來，在1998年，lecun發布了lenet網路架構，就是下面這個 雖然現在大多數的說法是2012年的alexnet網路是深度學習的開端，但是cnn的開端最早其實可以追溯到lenet5模型，它的幾個特性在2010年初的卷積神經網路研究中被廣泛的使用 其...
通道 卷積核 神經元 權值共享的理解
1.通道和卷積核的理解 我們有rgb三通道的輸入影象，那麼我們如果獲得乙個特徵，那麼我們需要乙個卷積核，而這乙個卷積核包含三個矩陣。三通道的rgb影象通過這樣的卷積就會變成乙個通道的。比如我輸入的是rgb三個通道的影象7 7 3，那麼我們如果想得到乙個影象的乙個特徵，那麼我們需要1個3 3的卷積核，...