tl;dr相当于全连接 (FC) 层中的神经元是卷积层的内核（或滤波器）

差异

这两类层的神经元有两个关键区别。这些是卷积层实现的：

• 稀疏连接，即每个神经元只连接到输入的一个区域，而不是整个。
• 权重共享，即相似的连接最终具有相同的权重。这通常被可视化为遍历图像的相同过滤器。

除了这两个关键区别之外，还有一些其他技术细节，例如如何实现偏差。除此之外，它们执行相同的操作。

引起一些混乱的是，CNN 的输入通常是 2 或 3 维的，而 FC 通常是 1 维的。然而，这些不是强制性的。为了更好地帮助可视化两者之间的差异，我制作了几张图来说明 conv 层和 FC 层之间的差异，两者都是 1D 的。

稀疏连接

左边是两个 FC 神经网络。右侧是具有稀疏连接的层。

体重共享

左边是一个稀疏连接的网络。颜色代表权重的不同值。右侧是具有权重共享的同一个网络。请注意，相似的权重（即每一层中具有相同方向的箭头）具有相同的值。

要回答您的其他问题：

过滤器根据过滤器中的权重将“图像”转换为新“图像”的方式是否不同？并且下一层使用这些新的“图像”？

是的，如果卷积层的输入是图像，那么输出也是。下一层也将对图像进行操作。

但是，我想指出，并非所有卷积层都接受图像作为输入。还有 1D 和 3D 卷积层。

另一个答案很好地概述了 MLP 和 CNN 之间的差异，它包括 2 个图表，试图说明 MLP 和 CNN 之间的主要差异，即稀疏连接和权重共享。然而，这些图表并没有阐明 CNN 中的神经元可能是什么。下面是一个更好的图表，它从 CNN和MLP 的角度说明了 CNN 中的神经元是什么（摘自关于 CNNs 的著名文章）。

在这里，有 2 个主要块（又名体积）：左侧的橙色块（输入）和右侧的蓝色/青色体积（特征图，即卷积层的输出，即在应用具有不同内核的卷积）。

青色块可见堆栈中的圆圈代表神经元（或更准确地说，它们的激活或输出）。我们只看到$k=5$神经元堆叠：这对应于应用$k=5$不同的内核（即权重）到输入的特定子集（也称为感受野），因此CNN的稀疏连接性。因此，在同一个堆栈中的这些神经元正在查看输入的相同小子集，但具有不同的权重（即内核）。图中未显示的神经元位于青色体积中同一神经元（例如，我们从左到右看到的第一个）的同一（垂直）2d 平面（称为特征图）上是神经元它们共享相同的权重，即我们使用相同的内核来产生它们的输出。

因此，在 CNN 的这个生物/神经科学视图中，当您使用 1 个特定滤波器（或内核）应用卷积（或互相关）操作时，您正在计算激活（不要与激活函数混淆，即用于计算激活！）即多个神经元的输出，它们都共享相同的权重。您将所有这些激活叠加在输出体积的同一个 2d 平面（称为特征图）上：请注意，此操作只是卷积操作！当您使用另一个内核计算卷积时，您再次计算其他多个神经元的激活，这些神经元共享另一个不同的权重矩阵，依此类推。

一些作者更喜欢使用术语卷积网络，即没有术语神经，可能是因为这个问题，即不清楚，特别是对于新手来说，CNN 中的神经元是什么，所以 CNN 的神经科学/生物学观点不是总是很清楚，尽管重要的是要强调CNN 受到视觉皮层的启发，因此这种生物学解释可能（也应该）更广为人知或更少混淆/误解。

现在，让我们更直接地解决您的问题。

过滤器是否相同，它们根据过滤器中的权重将“图像”转换为新的“图像”？下一层使用这个新的“图像”？

CNN 中的过滤器对应于 MLP 的权重。

CNN 中的神经元可以被视为执行与 MLP 中的神经元完全相同的操作。CNN 和 MLP 之间的巨大差异（如另一个答案中所解释的）是

• 权重共享：同一卷积层中的一些神经元（不是全部！）共享相同的权重。卷积（或互相关）是实现这种部分前向传递的操作，对于不同的神经元具有相同的权重。

• CNN 中的神经元只查看输入的一个子集，而不是所有输入（即感受野），这导致了一些稀疏连接的概念

• CNN 中的卷积层由3d 维体积中的神经元组成（或者更准确地说，它们的激活被组织在 3d 体积中），而不是 MLP 中的 1 维。

• CNN 可以使用子采样（又名池化）