在正常的神经网络中，每个神经元都有自己的权重。

这是不正确的。神经元之间的每个连接都有自己的权重。在完全连接的网络中，每个神经元将与许多不同的权重相关联。如果在全连接网络中有神经元的层有n0输入（即n0前一层中的神经元） ，则该层将具有权重，不计算任何偏置项。n1n0*n1

您应该能够在这张来自CS231n的全连接网络图中清楚地看到这一点。您看到的每条边都代表不同的可训练权重：

卷积层的不同之处在于它们具有固定数量的权重，由滤波器大小和滤波器数量的选择决定，但与输入大小无关。

每个过滤器在其形状的每个位置都有一个单独的权重。因此，如果您使用两个 3x3x3 过滤器，那么您将有 54 个权重，同样不算偏差。这在CS231n的第二张图中进行了说明：

过滤器权重绝对必须在反向传播中更新，因为这是它们学习识别输入特征的方式。如果您阅读此处标题为“可视化神经网络”的部分，您将看到随着您对网络的深入了解，CNN 的层如何学习输入图像的越来越复杂的特征。这些都是通过反向传播调整过滤器权重来学习的。

在反向传播期间，密集层和卷积层都会更新，但最大池化层没有任何要更新的权重。更新密集层以帮助网络进行分类。卷积层得到更新，让网络自己学习特征。因为您没有在问题中提问，所以如果您想了解更多信息，我只是为您添加一个链接。这里有一个很好的反向传播解释，对你很有用。