CNN（卷积层convolutional layer，激励层activating layer，池化层pooling，全连接层fully connected）

CNN产生的原因：当使用全连接的神经网络时，因为相邻两层之间的神经元都是有边相连的，当输入层的特征纬度非常高时（譬如图片），全连接网络需要被训练的参数就会非常多（参数太多，训练缓慢），CNN可以通过训练少量的参数从而进行特征提取。

上图每一个边就代表一个需要训练的参数，可以直观的感受到需要训练的参数太多了。

CNN的优点：1.相邻两层神经元部分相连。2.且同一层神经元的w（权重）和b（偏移）是共享的。

卷积：用一个核（矩阵）和图片相乘，相当于进行低通道滤波，因此这个核也被称为滤波器。当对一个图进行卷积，在特定的曲线和周边区域，得到的值很高，在其他区域，值相对较低，因此卷积得到的结果也叫**图。

为什么说CNN相邻两层神经元部分相连：因为上一层和下一层通过卷积核来连接，譬如一个2*2的卷积核，它和输入进行乘法得到下一层的一个神经元的值： 4-->1，因此在这个例子里，上层的四个神经元对应下层的一个神经元，所以叫相邻两层神经元部分相连。

为什么说CNN同一层神经元的权值共享：因为上层和下层仅仅通过卷积核来操作，一层神经元仅仅依赖于这个卷积核，没有其他需要依赖的参数，所以该层的权值就是这个卷积核的大小和步长。（换句话说，训练的就是这个卷积核）

feature map:将一个卷积核对输入数据进行扫描得到的下层神经元矩阵。

激励层：主要对卷积层的输出进行一个非线性映射，一般为ReLu函数。

使用ReLu时，应调小learning rate,防止出现很多梯度为零的神经元
如果不能解决learning rate的问题，就使用Leaky ReLu、PReLu来替代
不建议使用sigmoid函数，用tanh替代
池化层：当卷积核很小时，得到的feature map还是很大，可以通过池化层来进行降维操作，一般有两种方式：

max pooling：取池化视野中的最大值
Average pooling：取池化视野中的平均值
池化视野类似于卷积核的local receptive field

转自：https://blog.****.net/whyymlm/article/details/79739840