这里假设输入的图像是300x300大小的。
传统神经网络：假设我们用一个有128个单元的全连接层，则我们需要300x300x128=11520000个参数（不考虑偏置）。
卷积神经网络：假设我们采用5x5x3的filter，对于不同的区域，我们都共享同一个filter，因此就共享这同一组参数，一个filter有75个参数，假设我们使用10个filter，则需要750个参数（不考虑偏置），
由此我们可以看出卷积神经网络的参数数量大大减少了。
参数共享机制让我们的网络的参数数量大大地减少。这样，我们可以用较少的参数，训练出更加好的模型，典型的事半功倍，而且可以有效地 避免过拟合。
同样，由于filter的参数共享，即使图片进行了一定的平移操作，我们照样可以识别出特征，这叫做 “平移不变性”。因此，模型就更加稳健了。