今天重点理解了几篇介绍CNN的博文，跑了几个基于keras的cnn的代码样例，只能说实现了对CNN的初窥！
博文：http://blog.csdn.net/qq_25762497/article/details/51052861#t0 从这篇博文里面获取了计算一个维度（宽或高）内一个输出单元里可以有几个隐藏单元的公式
博文：http://blog.csdn.net/u012641018/article/details/52238169 从这篇文章里面算清了需要多少权值参数，同时理解了权值共享的情况
权值共享(Shared Weights)
在卷积网络中，每个稀疏过滤器hi通过共享权值都会覆盖整个可视域，这些共享权值的单元构成一个特征映射，如下图所示。
在图中，有3个隐层单元，他们属于同一个特征映射。同种颜色的链接的权值是相同的，我们仍然可以使用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。我们不禁会问为什么要权重共享呢？一方面，重复单元能够对特征进行识别，而不考虑它在可视域中的位置。另一方面，权值 共享使得我们能更有效的进行特征抽取，因为它极大的减少了需要学习的自由变量的个数。通过控制模型的规模，卷积网络对视觉问题可以具有很好的泛化能力。
空间排列（Spatial arrangement）
一个输出单元的大小有以下三个量控制：depth, stride 和 zero-padding。
- 深度(depth) : 顾名思义，它控制输出单元的深度，也就是filter的个数，连接同一块区域的神经元个数。又名：depth column
- 步幅(stride)：它控制在同一深度的相邻两个隐含单元，与他们相连接的输入区域的距离。如果步幅很小（比如 stride = 1）的话，相邻隐含单元的输入区域的重叠部分会很多; 步幅很大则重叠区域变少。
- 补零(zero-padding) ： 我们可以通过在输入单元周围补零来改变输入单元整体大小，从而控制输出单元的空间大小。
我们先定义几个符号：
- WW : 输入单元的大小（宽或高）
- FF : 感受野(receptive field)
- SS : 步幅（stride）
- PP : 补零（zero-padding)的数量
- KK : 深度，输出单元的深度
则可以用以下公式计算一个维度（宽或高）内一个输出单元里可以有几个隐藏单元：
如果计算结果不是一个整数，则说明现有参数不能正好适合输入，步幅（stride）设置的不合适，或者需要补零，证明略，下面用一个例子来说明一下。
这是一个一维的例子，左边模型输入单元有5个，即W=5W=5, 边界各补了一个零，即P=1P=1，步幅是1， 即S=1S=1，感受野是3，因为每个输出隐藏单元连接3个输入单元，即F=3F=3，根据上面公式可以计算出输出隐藏单元的个数是：5−3+21+1=55−3+21+1=5，与图示吻合。右边那个模型是把步幅变为2，其余不变，可以算出输出大小为：5−3+22+1=35−3+22+1=3，也与图示吻合。若把步幅改为3，则公式不能整除，说明步幅为3不能恰好吻合输入单元大小。
另外，网络的权重在图的右上角，计算方法和普通神经网路一样。
博文：http://blog.csdn.net/cxmscb/article/details/71023576 这篇文章讲的比较细致