一、 传统网络存在的问题
- 权值太多，计算量太大
- 需要大量的样本进行训练
基于以上问题，提出了局部感受域的概念，通过感受野和权值共享，减少了神经网络训练参数的个数。
二、 二维坐标下的卷积
如图，黄色的部分称为卷积核，图中为3*3大小，每个位置有其对于的权重，对应坐标相乘，即得最后结果。
不同的卷积核可以得到对于不同的图像
对卷积的边界，有不同的处理方法，如果采用SAME PADDING，即给平面外部补0，则卷积窗口采样后得到一个跟原来平面大小相同的平面。如果采用VALID PADDING，即不给平面外部补0，则卷积窗口采样后得到一个跟原来平面小的平面。
三、 池化
与卷积过程类似，但计算方法不同，池化指的是取一个平面的最大值，均值（由程序设定）。其也有两种方式，SAME PADDING :可能会给平面外部补0。VALID PADDING :不会超出平面外部。
例如：有一个28*28的平面 ,用2*2并且步长为2的窗口对其进行pooling操作。使用SAME PADDING的方式,得到14*14的平面，使用VALID PADDING的方式,得到14*14的平面。
假如有一个2*3的平面,用2*2并且步长为2的窗口1对其进行pooling操作，使用SAME PADDING的方式,得到1*2的平面，使用VALID PADDING的方式,得到1*1的平面。
四、 CNN结构
CNN就是由许多卷积，池化层构成的，大概结构如下：