卷积神经网络的两大特点

权值共享，就是输入一张图，用一个filter去扫这张图，filter里面的数就叫权重，这张图每个位置都是被同样的filter扫的，所以权重是一样的，也就是共享。

权值共享

一维的情况，使用相同的权值向量来做卷积

二维情况示意图

一个mm的卷积核在图像上扫描，进行特征提取，如图，是33的卷积核，如果channels为k的话，那么总参数量为mmk

不进行参数共享

卷积核的参数数量为W(width)*H(height)*K(kernel)

全连接

此时参数量W(width)*H(height)*n(hidden node)
参数量巨大

例如，InceptionV3的输入图像尺寸是192192的，如果把第一层3332的卷积核去掉参数共享，参数数目会变成192192*32，约120万个参数，是原来288个参数的4096倍

参考链接：
【1】如何理解卷积神经网络中的权值共享？ - Serendipity的回答 - 知乎
https://www.zhihu.com/question/47158818/answer/1499528063

【2】如何理解卷积神经网络中的权值共享？ - superbrother的回答 - 知乎
https://www.zhihu.com/question/47158818/answer/670431317