CNN_cnn的最大优点是具有本地连接性以及权重共享性吗

CNN基本模块

CNN由输入和输出层以及多个隐藏层组成，隐藏层可分为卷积层，池化层、RELU层和全连通层。

        卷积层：卷积层是用来对输入层进行卷积，提取更高层次的特征。计算滤波器和输入之间的点积

        池化层：池化层又称下采样，它的作用是减小数据处理量同时保留有用信息，通常池化层是每邻域四个像素中的最大值变为一个像素（max_pooling）。池化层的作用可以描述为模糊图像，丢掉了一些不是那么重要的特征.

        RELU，全名将修正线性单元，是神经元的激活函数，对输入值x的作用是max(0,x)，当然RELU只是一种选择，还有选Leak-Relu等等，一般都是用Relu！

        全连接层：就是一个常规的神经网络，它的作用是对经过多次卷积层和多次池化层所得出来的高级特征进行全连接（全连接就是常规神经网络的性质），算出最后的预测值。

 CNN的特点

这里主要讨论CNN相比与传统的神经网络的不同之处，CNN主要有三大特色，分别是局部感知、权重共享和多卷积核

    局部感知

局部感知就是我们上面说的感受野，实际上就是卷积核和图像卷积的时候，每次卷积核所覆盖的像素只是一小部分，是局部特征，所以说是局部感知。CNN是一个从局部到整体的过程（局部到整体的实现