参考：http://blog.csdn.net/zouxy09/article/details/8781543 ( 但其中有部分错误)
http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial
卷积的引入，基于三方面考量：一是为了减少全连接网络对于large scale图像的计算复杂度；二是迎合了生物视觉系统的结构特征：视觉皮层是局部接受信息的；三是根据图像的stationary特性：图像的一个部分统计特性与其他部分是一样的（这个统计特性，比如说颜色直方图分布）。
卷积的具体做法
注意：这里小块在原图中的选取是有重叠的
图中实际上是预先训练了一个visible层9个神经元，hidden层1个神经元的全连接AE(AutoEncoder)。再对输入图像的每一个3X3=9的小块取特征(1维)，最终得到1X[(5-3+1)X(5-3+1)]个特征。这里的紫色图，实际上就是下文介绍的Feature Map(FM)，因为对每个3X3小块只提取1维特征（1个hidden神经元），因此就只有一个FM：有n个特征，就有n个FM。
这样做的目的，从计算的角度来说，（假设hidden层只有1个神经元）：
全连接：1X5X5个权重（不考虑bias）
卷积：1X3X3个权重
二、池化(pooling) - 整理自UFLDL
在卷积过后，一般会接着做pooling，原因如下：
例如：对于一个 96X96 像素的图像，假设我们已经学习得到了400个定义在8X8输入上的特征，每一个特征和图像卷积都会得到一个(96 − 8 + 1) * (96 − 8 + 1) = 7921 维的卷积特征，由于有 400 个特征，所以每个样例 (example) 都会得到一个892 * 400 = 3,168,400 维的卷积特征向量。学习一个拥有超过 3 百万特征输入的分类器十分不便，并且容易出现过拟合 (over-fitting)。
就是在卷积得到的每个FM中，对每个给定大小的区域上做运算（这里是不重叠的），可以是取最大值或者取均值等等。
三、例子LeNet-5
1、INPUT -> C1
预先训练NN-C1：input层5X5=25，output层6
用训练好的NN-C1对原图片每个5X5小块（类似sliding window，有重叠采样）取6维特征：得到28X28个小块，每个小块用6维特征表示，即6@28X28。
此时6维的每维特征都有28X28个值，把它们放在一个图里，就变成了一个28X28的FeatureMap（FM），一共6张。
2、C1 -> S2
Subsampling，实际上就是pooling过程。
对每一张FM的每个2X2小块（类似不重叠的sliding window），也就是2X2=4个值做一个运算，简单点的就是取max和均值。复杂点的如下图的Cx到Sx+1部分，做一个线性加权然后放入sigmoid分类器。subsampling（pooling）最终得出一个值用来表示这个2X2小块。
3、S2 -> C3
预先训练NN-C3：input层5X5=25，output层16
一样是做卷积，但这里就有讲究了。C1的输入只是一张图（原图），此时的输入有6张图。
以下参考zouxy09
C3层也是一个卷积层，它同样通过5x5的卷积核去卷积层S2，然后得到的特征map就只有10x10个神经元，但是它有16种不同的卷积核，所以就存在16个特征map了。这里需要注意的一点是：C3中的每个特征map是连接到S2中的所有6个或者几个特征map的，表示本层的特征map是上一层提取到的特征map的不同组合（这个做法也并不是唯一的）。（这里是组合，就像人的视觉系统一样，底层的结构构成上层更抽象的结构，例如边缘构成形状或者目标的部分）。
刚才说C3中每个特征图由S2中所有6个或者几个特征map组合而成。为什么不把S2中的每个特征图连接到每个C3的特征图呢？原因有2点。第一，不完全的连接机制将连接的数量保持在合理的范围内。第二，也是最重要的，其破坏了网络的对称性。由于不同的特征图有不同的输入，所以迫使他们抽取不同的特征（希望是互补的）。
例如，存在的一个方式是：C3的前6个特征图以S2中3个相邻的特征图子集为输入。接下来6个特征图以S2中4个相邻特征图子集为输入。然后的3个以不相邻的4个特征图子集为输入。最后一个将S2中所有特征图为输入。这样C3层有1516个可训练参数和151600个连接。
4、C3 -> S4
与C1 -> S2类似，对C3的每一个FM中2X2的小块做一个运算。
5、S4 -> C5
预先训练NN-C5：input层5X5=25，output层120
这里S4每个FM是5X5大小，因此取小块之后在C5中表现出来的就是1X1的FM。
由于是全连接的，我认为这里对于5X5的输入，每一个输入都是16维的向量，也就是16X(5X5)。
6、C5 -> F6
普通的全连接神经网络
四、训练过程
1、看完UFLDL后，认为训练是每一层先训练一个local分类器。
2、看完其他介绍后的另一种想法，直接使用BP来对整个网络进行训练。