和BP网络不同的是，cnn的特点是权值共享（卷积核filter），并且不需要人工的特征分析。
在BP网络中，我们使用的是全连接，即每层神经元都会把各自权重分别的传递给下一层神经元，这样所出现的问题就是，我们所使用的参数（权重、偏差等）过多，计算量过大。
而在cnn中我们所使用的filter卷积核（三维，大小*通道数），遍历一个样本所使用的权值都是相同的，即所谓的权值共享。
通过一系列的卷积+池化的操作，完成了对图片数据的特征提取。然后将图片的三维信息摊成一维向量，放入全连接层（将最后的输出应映射到线性可分的空间）。cnn的最后会将末端得到一个长长的向量，并送入全连接层配合输出层进行分类。
高维输入：图片由RGB三种像素，一个filter有一个通道数，输出结果为二维结构，为一个二维平面。如果想得到多个卷积面，即多个卷积结构，可以设置多filter，即输出卷积层为立体结构，而非二维结构。如下图中第一次卷积出现6个卷积层，第二次卷积出现16个卷积层，都是由filter的个数决定的。
一个三位图片经过一个卷积（filter）操作后得到一个卷积层（二维结构）。卷积操作后得到的层数不是输入的维度决定的，是由filter的个数决定的。
输入样本大小(28, 28)，经过卷积filter(3, 3)，之手输出为(26, 26)，即：28-(3-1) = 26。
对于layers.Conv2D()操作来说，输入必须是四维的，而不是单纯的图片大小的二维结构。所以在搭建网络前，需要把输入reshpe为[样本数，长，宽， 通道数]，这里的长宽即为图片像素大小，即长*宽，通道数即为图片的颜色通道（rgb）。此时经过filte(32, (3, 3))的卷积后，输出shape为(1, 26, 26, 32)。此时通过plt可查看卷积之后的输出效果，(plt.imshow(conv2d[0, :, :, 0]))，在这里0是指样本数，我们这里只使用了一个样本，当然取值为0，[:, :]是指样本大小，当然要全部输出，'0'是指卷积层数，我们这里输出第0层。
池化输出同理得出，相比卷积层，在输入和输出有所不同。通道输入变为卷积层的输出（32），输出像素更小，更加模糊。
