在学习RNN的时候，经常会用CNN来类比，过程中我发现自己对CNN有些地方理解的还不是很清楚。
疑惑1：CNN卷积层的神经元是什么样的？
CNN的卷积层包括各种概念，各种计算，但是我忽然发现，基本没人提到卷积层的神经元，而且在tensorflow编程中，也无需设置卷积层的神经元，这使得我们更加忽略了卷积层的神经元到底是啥样的。
权值共享，那么是不是只要一个神经元就够了呢？
于是我开始思考...
1. 对比全连接的神经元，可以发现，神经元包含一组输入，一组weight，一个函数，一个输出，也就是说一个神经元在每次传输中只有一个输出。
// 试想，如果一次输出多个值，它又怎么保存这些值呢？显然没办法，所以这是一个重点。
2. 卷积层的输出是feture map，是很多个值，一个神经元肯定不行
3. 那么神经元和卷积核啥关系呢？一个卷积核对应一个神经元？
仔细思考下，卷积核可以是多通道的，一个通道一个future map，所以不是一个卷积核一个神经元。
综上，卷积层的神经元个数为：
size(future map) * num(future map)
疑惑2：为什么CNN能够权值共享，全连接网络不行
1. 首先，你要理解，权重是什么？ 权重就是偏好，权重3就比权重1更受关注，甚至权重-1被讨厌
那么一组权重是什么？我们可以把它称作一个模板，或者叫做一个过滤器，意思是每个位置都有规范。
我们用过滤器来过滤东西时，有孔的位置才会被关注到。
2. 其次，我们理解一句话：横看成岭侧成峰，就是说看一个事物，不同角度看到的样子是不同的，不同的角度就是不同的过滤器，要了解一张图片，就要很多个过滤器。
这就是多个卷积核。
3. 我们用多个过滤器筛到图片不同角度的特征，最后通过多次卷积形成了这些特征的非线性组合，也就代表了图片的特征。
那么全连接为什么不权重共享？
试想，如果不同特征到一个神经元权重相同，那你只要一个特征就行了啊，要那么多干啥；
如果一个特征到每个神经元权重相同，那这些神经元输出的值都一样，要那么多神经元干啥。