全连接网络特征提取的问题：

1. 输入数据的空间信息丢失

2. 模型参数过多，造成过拟合

相比之下，CNN既能提取相邻像素间的特征模式，又能保证模型参数不随图像尺寸变化。并且它自动提取图像特征，无需人工参与。

CNN层级结构：

输入层：去均值（数据中心化到原点附近，减少训练中的震荡，避免学习率适配困难）；归一化（消除特征维度中的量纲差异，将数据映射到固定区间，图像数据一般不需要归一化处理）

卷积层：卷积核又称为滤波器，可以提取特定的局部特征，可以层级嵌套；填充可以保留边缘信息并调整输出尺寸；从物理意义上，卷积是一种度量相似度的操作，卷积核和局部区域运算后的结果反映了该区域和卷积核模式的相似程度。

激活层：非线性变换

池化层：下采样的实现方式，减少像素的同时不会对物体进行改变

全连接层：完成从特征提取到最终分类的关键跨越