不同点：
1、卷积是对称的 conv(f,g)=conv(g,f)。而滑动相关不对称，ccorr(f,g)~=ccorr(g,f)。
2、卷积是两个系统作用时的响应，（由于对称性，谁作用于谁并不本质）。
滑动相关是衡量两个函数相似度，与相对位置之间的关系。
3、信号处理上卷积可以进行局部操作（就是滤波），例如图像的高斯模糊。系统响应分析。
滑动相关一般用来进行特征检测，比如图像特征提取
上述图表示，卷积过程，首先输入原始图像，然后用f(x)这个卷积核进行卷积，在加一个偏置，然后用激活函数进行非线性映射，得到初步的卷积结果，现在激活函数一般都用relu，sigmoid用的都比较少了。
3.3下采样过程既然图像经过卷积之后我们是不是就要用分类器进行分类了呢，显然是不行的，你想一个图像辣么大，网络的训练速度一定会很慢的吧，过拟合肯定也不用说了。那么我们的前辈想到的肯定是降维啊，但是这里我们不叫降维，而是叫下采样，当然降维是我理解的，也不知道准确与否。
下采样就是利用图像的静态性。对相邻的地方进行聚合统计，打个比方就是你额头的地方肯定和你额头的地方很像吧，耳朵也和你耳朵很像吧。
另外，图像的下采样具有不变性。如果下采样区域为特征映射的连续区域，那么得到的下采样单元具有平移不变性，比如图像经过一个小的平移处理后，同样会得到相同的(下采样)特征。在实际应用中，比如物体检测，声音识别等应用中，都希望系统具有平移不变性的特征，因为具有平移不变特征后，即使样本经过平移处理后，标记依然能够被系统识别。
综上所述，下采样的主要作用是:
1、降低图像分辨率;（我理解就是，分辨率越高反而不利于分类，肯定过拟合啊）
2、减少运算数据量;
3、增强网络对图像变化的适应性。
3.4局部连接和权值共享局部连接与全局连接：
大家看，假设我们爱因斯坦图片是1000x1000像素的图片，那就是一百万的像素点，输入的维度也是一百万，在连接一个相同大小的隐藏层，那么就是一万亿个连接，那还训练个毛线啊，所以我们必须减少权重的数量。
插播一段小广告，来自于百度回答。
上述的回答说白了，就是猫猫的视觉神经中，每一个感受野只接受一小块的区域的信号，对其他东西是不感冒的。那么是不是就启发我们的卷积神经网络了？
局部连接就是根绝上述思想而来的。每一个神经元不需要接收全部像素点的信息，只需要接收局部的像素点进行输入。然后在把所有信息综合起来，那么就可以得到全局信息了。假设感受野大小是10x10，那么是不是就只需要10x10x100=1亿个连接了？
但是呢一亿个好像还是有点大，现在假设我们每个隐藏节点的神经元参数都是一样的，那么参数就只有100个参数，也就是每一个过程就只有10x10那一百个参数。这样整个模型的复杂度就降下来了。（其实我这里一直认为，给每个神经元适当的权重还是不错的，毕竟有的特征（像素）肯定对分类效果影响比较大吧）
这样我们的卷积神经网络特征就构建完毕了。卷积核越多就可以构建更多的高阶特征。