CNN与普通深度学习（全网络连接 ）的很大区别就是：CNN是关注图片的一小部分，一小部分的。而普通深度学习是把图像的每一个像素全部拉长，都作为输入。

一：CNN整体流程

1. CNN – Convolution

CNN 的Convolution与 普通DNN （Fully Connected ）的异同

**由上面的三个图可以看见，CNN的卷积过程，其实就是 普通DNN 训练模型的过程。
不同点是：
1. 若把CNN的卷积理解DNN，那么训练时，相当于每次仅仅选出n∗n=n2$n\ast n=n^2$ 个输入元素，而普通DNN一般是m∗m=m2$m\ast m=m^2$个输入元素（即所有输入元素都用）。
（这里n是Filter矩阵的维度，m是输入的image矩阵的维度）
2. 若把CNN的卷积理解DNN，那么DNN有很多的权重值都要保持一致（即是共享的）。如上面最后一张图。颜色相同的线，就表明那里的元素要保持一致。**

2. CNN – – Max Pooling

3. CNN – – Flatten

二：CNN代码实现

三：为什么CNN比普通DNN（Fully Connected）要好

1. 参数少

根据是上面已经讲解的内容，CNN其实可以理解为是：简化版本的DNN（Fully Connected）
但是CNN的不同点就在于，
1. CNN的参数少
如上图，下一层一个神经元其实只取上一层的n2$n^2$个神经元（n是Filter的行数），而DNN要使用上一层所有的神经元。(还有其他地方都显示的CNN参数少)
2. . 下一层每一个神经元之间其实共用的权重（上面已讲）

2. 同一内容，只用一个神经元处理即可。哪怕在图片中，该内容在其他地方。The same patterns appear in different regions.

3. Subsampling the pixels will not change the object

4. Some patterns are much smaller than the whole image

考虑每个神经元主要对图像哪方面进行分类？（Which image make the a specific neuron active?）

1. 对于第一层神经元，可以直接观察它对每一个图像的选择，就可以确定出该神经元偏好于哪方面的图像。
   
2. 对于高层的神经元