CNN - # 9. Why Convolutions?

全连接神经网络中需要的参数大概是14millon 个
卷积神经网络中用的是 6个5阶的过滤器，参数是 156个

以下两段内容参考了这篇文章，点击进入https://blog.csdn.net/NNNNNNNNNNNNY/article/details/70148497

在卷积神经网络中，一个卷积层可以有多个不同的卷积核（也可以说是滤波器），而每个卷积核在输入图像上滑动且每次只处理一小块图像。这样输入端的卷积层可以提取到图像中最基础的特征，比如不同方向的直线或者拐角；接着再组合成高阶特征，比如三角形、正方形等；再继续抽象组合，得到眼睛、鼻子和嘴等五官；最后再将五官组合成一张脸，完成匹配识别。即每个卷积层提取的特征，在后面的层中都会抽象组合成更高阶的特征。

图像具有很强的空间相关性。其中每一个卷积核滤波得到的图像就是一类特征的映射，即一个Feature Map。CNN训练的模型同样对缩放、平移、旋转等具有不变性，有着很强的泛化能力。

卷积层是怎么减少参数的？
==> 2个原因
如图所示，
第一，参数共享。
相比全连接网络一个参数对应一个像素特征，卷积网络中一个卷积核（9个参数）与特征之间不是一一对应的，实现了参数共享。

第二，稀疏连接（对比全连接理解）。
比如，我们看输入图像左上角的9个像素和卷积核进行卷积之后，对应得到的特征图中的左上角的1个像素（这个像素只会受到输入图像左上角的9个像素的影响，不会受到其他像素的影响）。

(Main contents are extracted from Andrew NG's deep learning course; https://blog.csdn.net/weixin_43606419/article/details/86140469 ;
https://blog.csdn.net/weixin_43606419/article/details/86140469 ;
https://blog.csdn.net/NNNNNNNNNNNNY/article/details/70148497;
https://www.zhihu.com/question/39022858
)