公式表示就不展示了,用实际例子说明一下:
一维情况,比如时间序列,通过卷积可以得到由输入中出现不同特征的时刻组成的时间轴.如果把一个输入事件延后,输出中仍然会有相同表示,只是时间延后了
二维,卷积产生一个二维映射表明某些特征在输入中出现的位置...局部平移不变性是一个很有用的性质,尤其是当我们关心某个特征是否出现
而不关心它出现的具体位置时
?
如图,最大池化引入不变性.下面一行全部变化,上面一行输出只变了一半....例如我们想对不同大小的图像进行分类时,分类层的输入必须是固定的大小,而这通常通过调整池化区域的偏置大小来实现,这样分类层总是能接收到相同数量的统计特征而不管最初的输入大小了。...卷积与池化作为一种无限强的先验 (纯理论,完全摘抄)
先验概率分布(prior probability distribution)是一个模型参数的概率分布,它刻画了在我们看到数据之前我们认为什么样的模型是合理的信念...当我们知道每一个特征都是一小块空间的函数并且相同的特征不会出现在所有的空间上时,局部连接层是很有用的。例如,如果我们想要辨别一张图片是否是人脸图像时,我们只需要去寻找嘴是否在图像下半部分即可。