首先理解：
1、全连接层1：（输入为卷积）
全连接和普通神经元类似，输出的每一个神经元都与输入的每一个像素点相连，把多维向量转化为1维向量。
例如前一层的卷积输出50个feature
map（图片大小为4X4），全连接层输出的是500个神经元（输出500个数字），则每一个神经元对应4X4X50=800个参数（卷积操作输出一个数字），这一层全连接层和总共有800X500=400000个参数。
理解：如下图所示，X1，X2就是前面的输入的50X4X4个像素值，Y1,Y2就是输出的500个一维值，其中的参数个数就是V11,V21,V12,V22所有的参数个数总和。
2、全连接层2：（输入为全连接层）
如上所示，上述全连接层输入为500个数字，若本层输出为10个神经元（10个数字），每个神经元都对应500个参数，则总共500X10=5000个参数
3、局部感知：
重要性：若每一个神经元都像全连接一样，则需要的参数太多了，因此采用局部感知的方法。
每一个神经元只需要感知图像中的局部信息，然后在更高层次进行信息组合就可以得到全局信息。
例如有10个10X10的卷积核，每一个卷积核对图像进行局部感知可以理解为提取图像的轮廓，光暗等信息。有10个卷积核代表了10种特征。
其中有多少个参数呢？参数只和输出神经元个数和卷积核大小有关，例如上述的参数有：10（featrue map）X10X10（卷积核大小）=1000个参数，这一层卷积层就只有1000个参数。
4、权值共享：
权值共享实际上就是局部感知的部分，当用10X10的卷积核（共包含100个参数）去卷积整张图的时候，生成的feature map的每一个像素值都是由这个卷积核产生的，这就是权值共享。
5、卷积的输入输出理解：
输入单通道图片层时的理解：对于输入图片为32X32的图片，卷积核大小为5X5，卷积核个数为6，步幅（Stride）为1，边界扩充（Padding）为0，公式为：（Input_H
+ 2*Padding - 卷积核H）/Stride +1 ，（宽度公式同理）这里（32+2*0-5）/1
+ 1 = 28 ，所以输出的featrue map 大小为28X28 ， 总共6个feature map，代表6种特征。
输入是多通道图片时（多feature map）的理解：下图展示了在四个通道上的卷积操作，有两个卷积核，生成两个通道。其中需要注意的是，四个通道上每个通道对应一个卷积核，先将w2忽略，只看w1，那么在w1的某位置（i,j）处的值，是由四个通道上（i,j）处的卷积结果相加，最后得到两个feature
map， 即输出层的卷积核核个数为 feature map 的个数。
下图参数个数：4×2×2×2 = 32个参数，其中4表示4个通道，第一个2表示生成2个通道，最后的2×2表示卷积核大小。
动画演示效果：
再形象理解多通道卷积：
上图是一个输入是W*H*6(6为通道数理解为厚度，W*H为侧边多边形)，经过一个1*1*6的卷积，将会得到W*H的一个feature map（可以理解为红色的矩形所经过的所有参数进行叠加，得到一个数字），利用5个这样1*1*6的卷积核进行卷积，将得到5个feature map，其参数个数为5*1*1*6 = 30个。