1. 神经元 VS feature map VS 卷积核
神经元：feature map 的大小
feature map：输入图像经过卷积核卷积后的各像素点的组合
卷积核： 属于共享参数
2. 权值共享
权值共享：同一个feature map中神经元使用同一个权值，可训练参数只与卷积核大小、个数、通道有关
3. 感受野 and 计算量
- 计算量： 考虑可训练参数、连接数
可训练参数：
卷积层：（卷积核面积 + 1 ）* 卷积核个数
下采样层：（1 + 1） * 卷积核个数
连接数：神经元个数（feature map大小） * [（卷积核面积 + 1）* 卷积核个数]
- 感受野
从CNN可视化的角度来讲，就是输出feature map某个节点的响应对应的输入图像的区域就是感受野
计算方法：参考 https://blog.csdn.net/program_developer/article/details/80958716
4. 卷积层 VS 全连接层
- 卷积层
假设输入图像为3*28*28，通过20个卷积核，可以得到20*24*24的卷积层，这20个卷积层是由每一个卷积核与输入图像的三通道进行卷积，然后求和。
（参考：多通道(比如RGB三通道)卷积过程 https://blog.csdn.net/u014114990/article/details/51125776）
- 全连接层
最后一层池化层为 20*12*12， 可以看成（20*12*12）*1的列向量，通过固定权值的行向量100*（20*12*12），得到100*1 的全连接层神经元；
（参考：全连接层与卷积层的区别 https://blog.csdn.net/jiachen0212/article/details/82496401）