我不确定您是否理解您的要求，因为卷积层中神经元的数量与您无关，除非您自己构建CNN的实现。

要回答您的问题-不，第一个卷积层中的每个神经元仅连接到其自身接受域中的像素（由内核大小决定），并且相同的逻辑也适用于下一个卷积层，除非现在它们已连接进入其感受野中的下层神经元。

例如：如果我在CNN中的第一个隐藏层是8个神经元

您怎么知道它有8个神经元？除非您执行一些低级的CNN编程，否则您不指定神经元的数量。通常，您需要的神经元数量由kernel size，stride，padding的类型以及您选择使用的filters的数量组合而成。这4件事（连同图像的输入大小）会告诉您确切需要多少个神经元。

例如，在Keras中（因为您已经用Tensorflow标记了这个问题），您可能会看到像这样的卷积层：

keras.layers.Conv2D(filters=128,kernel_size=3,strides=1,activation="relu",input_shape=(100,100,1))

如您所见，此处未指定任何类似神经元数量的名称（至少不是直接指定）。在此设置下，最终得到的输出的宽度和高度均被裁剪为2（由于默认填充），因此该层的输出形状为（128，98，98）（从技术上讲，其形状为（None，128） ，98，98），其中“无”代表批量。如果将其展平并将输出馈送到单个神经元（比方说在一个密集的层中），则最终在这两层之间将获得128 * 98 * 98 = 1,229,313权重。

因此，对于密集层和卷积层之间的类比，上述具有128个过滤器连接到一个输出神经元的卷积层类似于具有1,313个神经元连接到一个输出神经元的密集层。