两者共同的一个关键作用就是减少模型的参数量，使运算更加’简洁、高效’，能够运行在超大规模数据集上。

        对于一张输入图片，大小为 W × H W \times H W×H, 如果使用全连接网络，生成一张 X × Y X \times Y X×Y的特征图，需要 W 、 t i m e s H × X × Y W、times H \times X \times Y W、timesH×X×Y个参数，如果原图长宽分别是$10^2$102 级别的，而且XY大小和WH差不多的话，那么这样一层网络需要的参数个数是 1 0 8 10^8 108~ 1 0 1 2 10^12 1012级别。 下图展示了全连接网络中一个神经元的参数量。不进行局部连接，每个神经元和每一个输入像素连接，参数量动辄千万级别，网络很难训练：         这么多参数肯定是不行的，我们就想办法减少参数的个数。一般而言，图像信息都是局部相关的，如果输入层的每一个像素只和输入层图片的一个局部相连，那么需要的参数个数就可以大大减少。假设输出层每个像素只与输入图片上 F × F F \times F F×F的一个方块区域有连接，也就是说输入层的这个像素值，只是通过原图的这个 W × H W \times H W×H减少到了 F × F F \times F F×F。如果对于原图片的每一个如果对于原图片的每一个 F × F F \times F F×F的方块都需要计算这样一个输出值，那么需要的参数只是KaTeX parse error: Undefined control sequence: \tmes at position 3: X \̲t̲m̲e̲s̲ ̲Y \times F \tim…,如果原图长宽是 1 0 2 10^2 102级别，且 F F F在 10 10 10以内的话，那么需要的参数个数只有 1 0 5 10^5 105$10^6$级别，相比于原来的$10^8$ 1 0 1 2 10^12 1012小了很多很多。         由此，CNN中的局部连接通过卷积操作来实现，避免了全连接中参数过多而造成无法计算的情况。那么，卷积具体是如何运算的呢？

        卷积运算的本质是卷积核（也可称为滤波器，filter）和输入数据（图像）的局部区域间的点积运算，可以用相应的矩阵乘法来实现。 下图很好地演示了CNN中一个卷积核在单张图像数据上的卷积操作，可以简要地概括为：一个 3 × 6 3 \times 6 3×6大小的卷积核在一张 6 × 6 6 \times 6 6×6大小的输入图像上从左到右、从上到下依次扫描，进行矩阵的点积运算，得到相应位置的运算结果并输出（图中的 x x x为输入像素值， a a a为卷积核参数， F F F为输出的运算结果）。         以上是输入为单通道（即二维矩阵）时的情况，当输入是多通道（即三维张量）时，卷积核也相应地“升级”为三维。下图的输入为三通道R(red)G(green)B(blue)图像，分别用不同的三维卷积核（Filter w0，w1）来进行卷积操作：

        为什么要设置不同的filter呢？因为不同的filter会得到不同的输出数据，对应图像的不同特征信息，比如颜色深浅、轮廓等等。如下图，中间是图像输入，四角分别对应四个filter（带着一组固定权重的神经元）的输出： 下图的卷积层有两个filter，输出两个特征图：         其中输入图像为 32 × 32 × 3 32 \times 32 \times 3 32×32×3, 32 32 32表示图像尺寸， 3 3 3表示它的深度（即RGB三个channel）。卷积层的两个filter均为 5 × 5 × 3 5 \times 5 \times 3 5×5×3（filter的深度必须和输入图像的深度相同），输出的两个特征图均为KaTeX parse error: Undefined control sequence: \ttimes at position 14: 28 \times 28 \̲t̲t̲i̲m̲e̲s̲ ̲1.

        权值共享 : 卷积核的参数实际上也可以叫做权重，它描述了局部连接中该位置的输入对于相应输出的影响力（重要性）。

        通过卷积操作，我们实现了输入图像的局部连接，从而大大减少了网络模型中的参数量。但这还不够，利用图像的另一特性，参数量可以进一步降低。

卷积中不做参数共享，则每一个输出对应一组参数值，参数量仍然庞大：         我们知道，图像的底层特征是跟具体位置无关的，比如边缘。无论是在图像中间的边缘特征，还是图像四角的边缘特征，都可以用类似于微分的特征提取器提取（个人体会：边缘定位->通过计算图像梯度来实现->近似一节微分运算->通过高通滤波（卷积）来实现。）。

那么，对于主要用于提取底层特征的前几层网络，把上述局部全连接层中每一个 F × F F \times F F×F方形区域对应的参数（权值）共享，就可以进一步减少网络中的参数个数了。也就是说，输出层的每一个像素，是由输入层对应位置的 F × F F \times F F×F局部图片，与相同的一组 F × F F \times F F×F的参数（权值）做内积（点积），再经过非线性单元计算而来的。这样的话，无论图片原大小如何，只用 F × F F \times F F×F个参数就够了，也就是几个几十个的样子。当然，一组 F × F F \times F F×F的参数只能得到一张输出特征图，一般会有多组参数，分别经过卷积后可以有好几层特征图。

        需要注意的是，高层特征一般是与位置有关的（全局特征），比如 一张人脸图片，眼睛和嘴的位置不同，那么处理到高层，不同位置就需要不同的神经网络权重（参数），这时候卷积层就不能胜任了，就需要用局部全连接层和全连接层。

共享，即使用同一组参数（权重）来做卷积，如上图。

输入层： x = [ x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 ] x = [x_1, x_2, x_3, x_4, x_5, x_6, x_7] x=[x1​,x2​,x3​,x4​,x5​,x6​,x7​] 隐藏层： h = [ h 1 , h 2 , h 3 ] h = [h_1, h_2, h_3] h=[h1​,h2​,h3​] 权重向量： w = [ w 1 , w 2 , w 3 ] = [ 1 , 0 , − 1 ] w = [w_1, w_2, w_3] = [1, 0, -1] w=[w1​,w2​,w3​]=[1,0,−1] 权重值 w w w被 h 1 , h 2 , h 3 h_1, h_2, h_3 h1​,h2​,h3​: { h 1 = w ⋅ x [ 1 : 3 ] h 2 = w ⋅ x [ 3 : 5 ] h 3 = w ⋅ x [ 5 : 7 ] \begin{cases} h_1 = w \cdot x[1:3]\\ h_2 = w \cdot x[3:5]\\ h_3 = w \cdot x[5:7]\\ \end{cases} ⎩⎪⎨⎪⎧​h1​=w⋅x[1:3]h2​=w⋅x[3:5]h3​=w⋅x[5:7]​ 关于卷积神经网络的发展史等更全面介绍推荐这篇：CNN（卷积神经网络）入门简洁清晰。

CNN卷积神经网络 CNN中的卷积操作与参数共享 图像底层特征：轮廓与边缘