作用：大大减少网络训练参数的同时，还可以实现并行训练。
原理：所谓权值共享就是说给定一张输入图片，用一个卷积核来卷积这张图，卷积核里的值叫做权重，这张图的每个位置是被同一个卷积核扫的，即卷积的时候所用的权重是一样的。其实权值共享这个词说全了就是整张图片在使用同一个卷积核内的参数，比如一个3*3*1的卷积核，这个卷积核内9个的参数被整张图共享，而不会因为图像内位置的不同而改变卷积核内的权系数。说的再直白一些，就是用一个卷积核不改变其内权系数的情况下卷积处理整张图片（当然CNN中每一层不会只有一个卷积核的，这样说只是为了方便解释而已）。
把局部连接中的每一个卷积核（感受野）对应的权值进行共享，就可以进一步减少网络中参数的个数，即下一层每一个像素点是由上一层对应位置的对应位置的F×F的局部区域图片与同一卷积核F×F的权值做内积，加偏重后再经过非线性映射而来的，至此，网络训练参数的数量不再受原始输入图片大小的影响。此处需要注意，一组卷积核F×F的权值只能得到一张Feature map,为更好的表示图像特征，需要使用不同的多组卷积核（过滤器）来使学得的图像特征更丰富。
每个层有多个Feature Map，每个Feature Map通过一种卷积滤波器提取输入的一种特征，然后每个Feature Map有多个神经元，即卷积层的每个滤波器都会有自己所关注一个图像特征，比如垂直边缘，水平边缘，颜色，纹理等等，这些所有神经元加起来就好比就是整张图像的特征提取器集合。
参考：https://www.zhihu.com/question/47158818?from=profile_question_card