在了解卷积神经网络之前，我们先了解一下什么是神经网络
推荐B站吴恩达的神经网络和深度学习视频 https://www.bilibili.com/video/av34661735
如果觉得视频太长，推荐文章 https://blog.csdn.net/qq_45021489/article/details/90286792#seventh
现在你对神经网络已经有了一些了解，你需要回答下面几个问题：
1、神经元的输入输出是什么，神经元都有哪些参数，参数的数量如何计算
2、什么是激活函数，为什么需要激活函数，什么是损失函数
3、什么是前向传播和反向传播，梯度下降法的作用，梯度下降法运用在什么过程
当你对这些概念有一些认知了的时候，我们开始学习卷积神经网络。
在卷积神经网络出现之前，我们对图片的处理是通过全连接进行的，即第一层的每一个神经元都与图片的每一个像素相连，假设图片大小为1000*1000，第一层有1000个神经元，那么就有1000*1000*1000个参数需要计算，这个参数的数量是极大的，这还只是第一层的参数。所以卷积神经网络一经提出就受到了广泛关注。
第一步，将每一个神经元与图片的某一固定大小区域的像素相连，而不是整个图片，我们以手写字母的识别为例讲解。
与神经网络不同的是卷积神经网络的神经元的数目不是随意决定的，而是由图像大小和卷积核大小共同决定的。前面说过每个神经元与部分区域相连，这个区域的像素大小就是神经元的输入，神经元对这些像素的操作即为卷积（卷积与滤波的差别？），对于一个32*32的图片，使用5*5的卷积核进行卷积，得到一个28*28大小的图片称为Feature Map，则神经元的数目等于Feature Map的大小，即28×28=784个，卷积核的数值也就是神经元的参数W，需要通过学习获得。此时我们还忽略了一个问题，每一个神经元都有25+1（偏置）个参数，784个神经元是不是就需要26*784个参数呢？答案是否定的，这里就要提到一个概念——权值共享，同一个Feature Map中所有神经元使用相同的权值，也就是所有神经元都是用的同一个卷积核，道理是很容易理解的，我们拿滤波举例，我们不可能用sobel算子把一张图像处理一半然后对剩下的一半改用candy算子。
此时你可能有一个困惑，为什么经过一次卷积（convolutions），C1的feature map竟然有6层，这是为了得到多样化的特征，我们使用了6个卷积核，同样以图像处理举例，对于一张图象，为了达到不同目的，我们可以用高斯滤波，也可以用中值滤波。这个滤波器的个数是需要我们认为指定的，人脸识别第一层的滤波器可能有上百个。现在第一层的参数的个数是多少呢？现在是（5*5+1）×6=156个。
现在轮到讲S2层了，这是一个池化层，池化的单词是pooling，这里为什么是subsampling呢，因为池化的本质是降采样，所以有6个14*14的Feature Map. 特征图中的每个单元与C1中相对应特征图的2*2邻域相连接，而且互不重回。S2层每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置，也有不是4个输入相加而是取4个输入的最大值的。S2层有6*（1+1）=12个可训练参数。
同理，我们用16个5*5的卷积核对S2的6层Feature Map进行处理，得到16个10*10的特征图。现在我们来思考一个问题，S2有6层，当我们用16个卷积核来处理为什么得到的C3是16层而不是6*16=96层呢？用一个卷积核来处理6层为什么没有得到6层呢，这之间执行了什么操作呢？答案就是叠加操作，得到的这6层对应位置的结果相加，变为一层。事实上，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 （6*（3*25+1）+6*（4*25+1）+3*（4*25+1）+（25*6+1）=1516）个可训练参数
S4层是一个降采样层，由16个5*5大小的特征图构成。特征图中的每个单元与C3中相应特征图的2*2邻域相连接，跟C1和S2之间的连接一样。S4层有32个可训练参数（每个特征图1个因子和一个偏置16*（1+1）=32
C5层是一个卷积层，有120个特征图。每个单元与S4层的全部16个单元的5*5邻域相连。由于S4层特征图的大小也为5*5（同滤波器一样），故C5特征图的大小为1*1，这构成了S4和C5之间的全连接。之所以仍将C5标示为卷积层而非全相联层，是因为如果LeNet-5的输入变大，而其他的保持不变，那么此时特征图的维数就会比1*1大。C5层有120*（16*5*5+1）=48120由于与全部16个单元相连，故只加一个偏置）个可训练连接。
F6层有84个单元（之所以选这个数字的原因来自于输出层的设计），与C5层全相连。有10164（84*(120*(1*1)+1)=10164）个可训练参数。如同经典神经网络，F6层计算输入向量和权重向量之间的点积，再加上一个偏置。
输出层和普通神经网络一致。
