http://blog.csdn.net/han\_xiaoyang/article/details/50451460

http://m.blog.csdn.net/mzpmzk/article/details/52197329

CNN的特性

1、稀疏连接

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。

输入层到卷积层：卷积层每个Feature Map中的一个神经元只和输入图像一个Filter(eg: 5*5)大小的区域相连接，而在传统神经网络中是全连接，这样就大大降低了参数数量。

卷积层到下采样层：下采样层每个Feature Map中的一个神经元只和相对应卷积层的每个Feature Map 的一个Filter(eg: 2*2)大小的区域相连接，属于一对一的下采样。

下采样层到卷积层：卷积层每个Feature Map中的一个神经元和下采样层中一个或几个Feature Map 的一个Filter(eg: 5*5)大小的区域相连接，相当于特征组合。

2、权重共享

Feature Map 上的每个神经元用的是同一个卷积核去卷积图像，这样就大大降低了参数数量。

3、空间或时间的下采样

假如Filter的大小为2*2，Stride为2，则通过下采样后卷积层的每4个像素变为1个像素。这样就可以在一定程度上降低参数的数目，防止过拟合。此处用到图像的局部相关性原理。

4、多卷积核

当只有1个卷积核时，显然，特征提取是不充分的，我们可以添加多个卷积核，比如20个卷积核，可以充分提取图像的特征。

多核卷积(即滤波器不同：低通、高通、带通、带阻…)—–得到多个局部特征(浅层)—–组合成全局特征(深层)，每种滤波器的参数不一样，表示它提出输入图像的不同特征，例如不同的边缘。