传统BP处理图像时的问题：
1、权值太多，计算量太大
2、权值太多，需要大量样本进行训练
例如一张图是640X480，那么就有30万个像素，然后假设是RGB三通道，那就要90万个输入神经元
所以，CNN应运而生
CNN是如何减少计算量呢？从两个方面入手（卷积并不能减小计算量）
一是局部感受野，就是对区域按5X5的方式进行划分，每25个像素与一个神经元相连，如此像把神经元的数量缩少为1/25，然后每一个神经元连着图片的25个像素，所以就有25个权值，这就引申出第二个技术——权值共享，每个神经元连出的25个权值是对应相等的，A神经元与其控制的左上角像素权值与B神经元与其控制的左上角像素权值对应相等，这就把权值直接降到可两位数
卷积的运算并不难，一般是取3X3，5X5,7X7的核对图片进行运算，我们不用人为对核进行过多考虑，因为在训练时模型会自行调整权值，与基本的BP是一样的（只是每次到卷积层都会有局部感受野&卷积，并用权值共享连接卷积层神经元）
使用越大的步长进行卷积，得到的卷积层输出的图片会越小
上面提到卷积核又叫滤波器，因为对同一张图，会用不同的卷积核提取不同的特征，因此常会用不同的核对同一图像进行卷积以提取不同的特征
卷积层后接池化层，通常是2X2步长为2的窗口（就是缩小为原图1/4），得到的图也叫特征图(feature map)。池化功能：进一步特征提取，平移不变性
这就引出了padding，对边缘的讨论
padding，既可以用于卷积，也可用于池化，核的孔径及中心是可以控制的，same会视情况补0，之所以说视情况，例如把核中心定在左上角，孔径3*3，则左边与上边肯定不用在边外补0，下边与右边可能要（何时不要？如果刚好可以分配完就不用）
例如下图步为2且长宽为偶数时，也不会补0
下面是完整的卷积神经网络结构：输入层32X32，用5X5卷积后变成了28X28，图中[email protected]是指用了6种不同的卷积核得到了6张特征图，第二个卷积层10X10不难理解，但为什么会生出16张特征图呢？
http://scs.ryerson.ca/~aharley/vis/conv/flat.html或http://scs.ryerson.ca/~aharley/vis/conv/可以查看16个特征图的生成
其实没有为什么，都是人为设计的，这几个图的像素连到同一个神经元
注意在6->16的时候每个卷积图对下面6个池化层中的若干图求卷积时权值是不共享的，权值共享只是对同一张图而言
见下图以第二个卷积层最右边的一个特征图而言，他有75个权值，因为每个图有5X5的窗口就有25个权值
最上方三个层（包括输出层）都是全连接
特别说明：在现在比较新的CNN中第二个卷积层都是采用最左边的这个图的卷积方式（就是要对全部上一池化层特征图卷积！
PS:imagenet训练集