一句话归纳：

1）用1个小粒度的模式，逐个与图像的局部区域进行运算，运算结果反映模式与区域的匹配程度。

2）卷积神经网络与全连接神经网络的区别：

• 卷积神经网络的输出只与局部输入有连接。
• 参数较少，按图示为3*3+1=10个。
• 模式叫做卷积神经网络 的卷积核。

3）卷积计算举例，“口”字与“橫”模式进行运算：

运算结果：

• 横的上边缘概率为1，虚横的下边缘概率为1。

4）在前一层神经元四周填0，使得经卷积运算后神经元个数不变：

5）同一个输入可以与多个卷积核进行运算，得到多个输出，称作多通道：

​​​​​​​

6）输入为多通道，卷积核的通道数必须和输入一致，计算结果是一维：

7）卷积核大小，体现在提取的特征粒度大小。

8）卷积核在不同的层次上，提取的特征粒度也不同：

9）池化，池化后通道数不变。

10）用卷积神经网络做数字识别的应用实例：

参数个数：

6*5*5

16*5*5*6

16*5*5*120

120*84

84*10

每个卷积核加个偏置。

每个神经元加个偏置。