一 卷积神经网络的概述
我们知道BP网络的每一层的神经元与上一层，以及它的下一层都是全连接的，那么，我们假设每一层的神经元与上一层的神经元只有部分连接(局部连接，涉及到动物视觉中感受野概念)，这就构成了我们要说的卷积神经网络结构。当然，也有人说BP网络是卷积神经网络的特例，每一层的神经元采取全连接的方式连接。
BP网络和卷积神经网络的一个神经元与上一层的连接情况，就像下面这样：
图1
卷积神经网络的特殊性在于：
（1）每一层的神经元之间的是非全连接的方式 （2）同一层的某些神经元采取的是权值共享的方式，即神经元的权重和偏置相同
这样的好处是降低了网络模型的复杂度（对于很难学习的深层结构来说，这是非常重要的），减少了权值的数量。
二 卷积神经网络的结构
卷积神经网络的结构是为识别二维形状而特殊设计的多层感知器，这种网络结构对于平移，比例缩放，倾斜等其他形式的变形具有高度不变性。这些都是网络的在有监督的条件下学习得到的。卷积神经网络是一个多层的神经网络，每一层由多个二维平面组成，每个平面由多个神经元组成，
图2
图2中，输入图像，通过三个可训练的滤波器（可加偏置项，如图3）进行卷积，卷积后在C1层产生三个特征映射图；然后，C1中每个特征映射图的每组像素（一般为2*2）进行求和，加权重项，再加偏置项（见图3），通过sigmoid激活函数，分别得到S2相应的三个特征映射图；C3层再以S2层作为输入，通过滤波器对S2层的特征映射图进行卷积，加偏置项得到C3，然后，由通过S2同样的方式得到C3层每个特征图对应的映射图，即得到S4；最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。
图3
一般地，C层为特征提取层，每个神经元的输入与上一层的局部感受野相连接，并提取该局部的特征，一旦该局部的特征被提取后，它与其他特征间的相对位置关系随之确定下来。S层是特征映射层（子抽样层），网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有的神经元的权值相等。特征映射结构采用影响核函数较小的sigmoid函数作为卷及网络的激活函数,使得特征映射具有位移不变性。
此外，由于映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络的每一个特征提取层（C层）都跟随者一个用来求局部平均（或局部最大）和二次提取的计算层（S层），这种特有的两次特征提取结构使网路在识别时，对输入的样本具有较高的畸变容忍能力。
下面，再来讨论一下，卷积神经网络的两大特征，稀疏连接和权值共享：
（1）稀疏连接
卷积网络通过在相邻两层之间强制使用局部连接模式，来利用图像空间的局部特性，在第m层的隐层单元只与第m-1层的输入单元的局部区域有连接，第m-1层的这些局部区域被称为空间连续的接受域。可以将这些结构描述如下，
设第m-1层为视网膜输入层，第m层的接受域的宽度为3，也就是说该层的每个单元与且仅与输入层的3个相邻的神经元相连，第m层和第m+1层具有类似的链接结构，如下所示：
可以看到m+1层的神经元相对于第m层的接受域的宽度也为3，但相对于输入层的接受域为5，这种结构将学习到的过滤器（对应于输入信号中被最大激活的单元）限制在局部空间 模式（因为每个单元对它接受域外的variation不做反应）。从上图也可以看出，多个这样的层堆叠起来后，会使得过滤器（不再是线性的）逐渐成为全局的（也就是覆盖到了更 大的视觉区域）。例如上图中第m+1层的神经元可以对宽度为5的输入进行一个非线性的特征编码。
（2）权值共享
在卷积网络中，每个系数过滤器通过共享权值覆盖整个可视域，这些共享权值的单元构成一个特征映射，如下所示：
在图中，有3个隐层单元，它们属于同一特征映射，同种颜色的连接权值是相等的，我们仍然可以通过梯度下降的方法来学习这些权值，只需要对原始算法做一些小的改动，这里共享权值的梯度是所有共享参数的梯度的总和。为什么要权值共享呢，一方面，重复单元可以对特征进行识别，而不考虑它在可视域的位置；另一方面，权值共享能更有效的进行特征提取，因为它极大地减少了要学习的自由变量的个数。通过控制模型的规模，卷及网络对视觉问题可以具有很好的泛化能力。
关于卷积神经网络结构的一个例子，LeNet-5模型结构，可以参见这篇博文，且本文上述内容的概念思想也是来源于该文：http://blog.csdn.net/zouxy09/article/details/8781543
三 卷积神经网络的逐层结构分析
他山之石，可以攻玉，关于卷积神经网络的逐层结构分析，大家可以参见这篇博文，是以LeNet为例，从代码的角度逐层分析各项参数，看完这篇博文，相信对于卷积神经网络会有更加深入的了解，http://www.2cto.com/kf/201606/518254.html
四 卷积神经网络的训练
训练算法和传统的BP算法差不多，主要有四步（被分为两个阶段）：
第一阶段（向前传播阶段）：
a)初始化模型参数，通过随机产生一些不同的值较小的随机数，小随机数用来保证网络不会因为权值过大而进入饱和状态，从而导致训练失败。不同用来保证网络可以正常的学习，实际上，如果用相同的数来初始化权重矩阵，网络几乎没有学习能力。
b)取样本（x，y）将x输入到网络
c）计算相应的实际输出o：在此阶段，数据从输入层经过朱层的额变换，传到输出层。在此过程中，网络执行的是计算过程，实际上就是输入和每层的权值矩阵相点乘，得到最后的输出结果，O=Fn（…（F2（F1（XW（1））W（2））…）W（n）），F（xw（i））为第i层的激活函数。
第二阶段（反向传播阶段）：
a）计算实际输出o和理想输出y的残差
b)按极小化误差的方法反向传播调整权重
总结：总体而言卷积神经网络可以简化为如下模型：
图4
其中，input到C1，S4到C5，C5到output采用全连接的方式，C1到S2，C3到S4采用一一对应连接方式，S2到C3为了消除网络的对称性，去掉了一部分连接，可以使特征映射更具有多样性。此外，C5卷积核的尺寸要和S4的输出相同，这样才能保证输出为一维的向量。
五 dropout：我们知道，卷积神经网络一般的结构由数据层，卷积层，抽样层（池化层），Relu（为什么选择Relu作为激活函数，因为它可以加速收敛，从而使学习周期大大缩短）全连接层和损失层，然而最近在学习VGG网络的时候，看到dropout层，于是带着疑问查阅了相关资料，得到的结论就是dropout主要是为防止过拟合，因为在训练大网络的时候，如果训练样本不足，很可能会导致过拟合的发生，可能我们会想到L2正则化，减小网络规模等方法，然而深度学习领域大神Hinton，在2012年文献：《Improving neural networks by preventing co-adaptation of feature detectors》提出了，在每次训练的时候，让一半的特征检测器停止工作，这样可以提高网络的泛化能力，Hinton又把它称之为dropout。Hinton认为过拟合，可以通过阻止某些特征的协同作用来缓解。在每次训练的时候，每个神经元有百分之50的几率被移除，这样可以让一个神经元的出现不应该依赖于另外一个神经元。
另外，我们可以把dropout理解为 模型平均。 假设我们要实现一个图片分类任务，我们设计出了100000个网络，这100000个网络，我们可以设计得各不相同，然后我们对这100000个网络进行训练，训练完后我们采用平均的方法，进行预测，这样肯定可以提高网络的泛化能力，或者说可以防止过拟合，因为这100000个网络，它们各不相同，可以提高网络的稳定性。而dropout也可以这么理解，假设模型有10000个参数，我们每次以概率p随机地关闭部分神经元，哪些神经元被关闭不作用是随机的，这样，我们利用剩余未关闭的网络进行训练，得到预测结果。然后，我们再重新以概率p随机地关闭网络的部分神经元，由于随机性，我们得到了一个新的与之前不同的网络，再次进行预测；依次类推，假设得到了100000个不同的网络预测的结果，我们就可以根据多数表决原则，得到准确的预测结果，这样就提高了网络的泛化能力。
假设x是dropout layer的输入，y是dropout layer的输出，W是上一层的所有weight parameters， 是以retaining probability 为p 采样得到的weight parameter子集。把上面的东西用公式表示（忽略bias）：
train：
test:
但是一般写程序的时候，我们想直接在test时用 ， 这种表达式。（where
）
因此我们就在训练的时候就直接训练 。 所以训练时，第一个公式修正为
。 即把dropout的输入乘以p 再进行训练，这样得到的训练得到的weight 参数就是
，测试的时候除了不使用dropout外，不需要再做任何rescale。
如果想了解更多关于dropout的相关资料，可以参见一下文章：
http://blog.csdn.net/u012702874/article/details/45030991
http://blog.csdn.net/l494926429/article/details/51943564