CNN組成：

1. Convolutional layer（卷積層--CONV）

作用：主要就是通過(guò)一個(gè)個(gè)的filter，不斷地提取特征，從局部的特征到總體的特征，從而進(jìn)行圖像識(shí)別等等功能。

2. Pooling layer （池化層--POOL）

作用：是為了提取一定區(qū)域的主要特征，并減少參數(shù)數(shù)量，防止模型過(guò)擬合。擴(kuò)大感受野。減少冗余，做窗口滑動(dòng)卷積的時(shí)候，卷積值就代表了整個(gè)窗口的特征。因?yàn)榛瑒?dòng)的窗口間有大量重疊區(qū)域，出來(lái)的卷積值有冗余，進(jìn)行最大pooling或者平均pooling就是減少冗余。減少冗余的同時(shí)，pooling也丟掉了局部位置信息，所以局部有微小形變，結(jié)果也是一樣的。

3. Fully Connected layer（全連接層--FC）

卷積取的是局部特征，全連接就是把以前的局部特征重新通過(guò)權(quán)值矩陣組裝成完整的圖，用到了所有的局部特征

相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（NN）的優(yōu)點(diǎn)：

1. 參數(shù)共享機(jī)制（parameters sharing）

因?yàn)椋瑢?duì)于不同的區(qū)域，我們都共享同一個(gè)filter，因此就共享這同一組參數(shù)。這也是有道理的，通過(guò)前面的講解我們知道，filter是用來(lái)檢測(cè)特征的，那一個(gè)特征一般情況下很可能在不止一個(gè)地方出現(xiàn)，比如“豎直邊界”，就可能在一幅圖中多出出現(xiàn)，那么 我們共享同一個(gè)filter不僅是合理的，而且是應(yīng)該這么做的。

由此可見(jiàn)，參數(shù)共享機(jī)制，讓我們的網(wǎng)絡(luò)的參數(shù)數(shù)量大大地減少。這樣，我們可以用較少的參數(shù)，訓(xùn)練出更加好的模型，典型的事半功倍，而且可以有效地 避免過(guò)擬合。同樣，由于filter的參數(shù)共享，即使圖片進(jìn)行了一定的平移操作，我們照樣可以識(shí)別出特征，這叫做 “平移不變性”。因此，模型就更加穩(wěn)健了。

2. 連接的稀疏性（sparsity of connections）

由卷積的操作可知，輸出圖像中的任何一個(gè)單元，只跟輸入圖像的一部分有關(guān)系。而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，由于都是全連接，所以輸出的任何一個(gè)單元，都要受輸入的所有的單元的影響。這樣無(wú)形中會(huì)對(duì)圖像的識(shí)別效果大打折扣。比較，每一個(gè)區(qū)域都有自己的專屬特征，我們不希望它受到其他區(qū)域的影響。

正是由于上面這兩大優(yōu)勢(shì)，使得CNN超越了傳統(tǒng)的NN，開(kāi)啟了神經(jīng)網(wǎng)絡(luò)的新時(shí)代。