CNN特点
? 局部连接
? 权值共享（共享卷积核）
? 自动提取特征，逐层组合
局部连接
图像的空间联系是局部的，就像人是通过一个局部的感受野去感受外界图像一样，每一个神经元都不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些感受不同局部的神经元综合起来就可以得到全局的信息了。
先理解全连接：在两层神经元之间每两个神经元都存在一个连接，假设n-1层有200个神经元，n层有200个神经元，那么两层之间的连接数为200200
那么局部连接即两层神经元之间每两个神经元并不都存在一个连接，从而减少连接数
假设经过局部连接后，局部连接即n-1层的神经元必与n层的任意20个神经元存在连接，那么两层之间的连接数为20020
权值连接
如果n-1层200个神经元的20个参数都是相同的，也就是说每个神经元用的是同一个卷积核去卷积图像。那么两层之间就只有20个参数了，不管n-1层的神经元个数有多少，两层间的连接只有20个参数，这就是权值共享！
自动提取特征，逐层组合
进行卷积即提取特征，但权值共享则两层之间使用同一个模板，导致只提取出一种特征。所以需要在卷积与神经元间加20个滤波器，一个滤波器提取一种特征，则两层之间的参数变成20*20个。
前后对比：200200->2020，参数数量大大减少，而且网络越复杂，效果越明显，这就是在BP网络后提出CNN的原因。
|