局部感知：CNN通过在底层的局部扫描获得图像的局部特征，然后在高层综合这些特征获取图像的全局信息。这种局部感知的方式可以降低参数的数目。
权值共享：在CNN中，每个卷积核里面的参数即权值，原始图片卷积后会得到一副新的图片，而新图中的每个像素都来自同一个卷积核，这就是权值共享。权值共享进一步降低了参数数目。
多卷积核：一个卷积核只能学习到图像的某一种特征，而设置多个卷积核时，则可以学到多种特征。每个卷积核也是通过学习得到的，那么会不会多个卷积核学到的特征相同呢！ 这就涉及到权值初始化的问题了！
降维：卷积层中设置stride本身就有降维的效果，但大多是通过池化层中的max-pooling方法进行特征压缩，提取主要特征。
多层次结构：将低层次的局部特征组合成为较高层次的特征。 不同层级的特征可以对应不同任务。
激活函数层：增加非线性因素，提高模型表达能力。
数据增强：利用数据增强方法可以扩增数据集规模，同时减少过拟合。
