1、什么是卷積：圖像中不同數據窗口的數據和卷積核（一個濾波矩陣）做內積的操作叫做卷積，該計算過程又稱為濾波（filter）,本質是提取圖像不同頻段的特征。
2、什么是卷積核：也稱為濾波器filter，帶着一組固定權重的神經元，通常是n*m二維的矩陣，n和m也是神經元的感受野。n*m矩陣中存的是對感受野中數據處理的系數。一個卷積核的濾波可以用來提取特定的特征（例如可以提取物體的輪廓、顏色深淺等）。通過卷積層從原始數據中提取出新的特征的過程又稱為feature map（特征映射）。filter_size是指filter的大小，例如3*3；filter_num是指每種filter_size的filter個數，通常是通道個數
3、什么是卷積層：多個濾波器疊加便成了卷積層。
4、一個卷積層有多少個參數：一個卷積核使用一套權值以便“掃視”數據每一處時以同樣的方式抽取特征，最終得到的是一種特征。在tensorflow定義conv2d時需要指定卷積核的尺寸，本人現在的理解是一個卷積層的多個卷積核使用相同的m*n，只是權重不同。則一個卷積層的參數總共m*n*filter_num個，比全連接少了很多。
5、通道怎么理解：通道可以理解為視角、角度。例如同樣是提取邊界特征的卷積核，可以按照R、G、B三種元素的角度提取邊界，RGB在邊界這個角度上有不同的表達；再比如需要檢查一個人的機器學習能力，可以從特征工程、模型選擇、參數調優等多個方面檢測。
6、幾個參數
深度depth：神經元個數，決定輸出的depth厚度同時代表濾波器的個數
步長stride：決定滑動多少步可以到邊緣。
填充值zero-padding：再外圍邊緣補充若干圈0，方便從初始位置以步長為單位可以剛好滑倒末尾位置，通俗地講就是為了總長能被步長整除。
上面的兩個例子中：
五個神經元，即depth=5，意味着有5個濾波器。
數據窗口每次移動兩個步長取3*3的局部數據，即stride=2（步長是步子大小，不是步數）
zero=padding=1
7、如何理解權值共享，減少了神經網絡需要訓練的參數的個數？
數據窗口滑動，導致輸入在變化，但中間濾波器Filter W0的權重是固定不變的，這個權重不變即所謂的CNN中的參數（權重）共享機制。