深度学习中为什么使用卷积

深度学习中为什么使用卷积

参数共享（Parameter Sharing）

准确的定义如下：

A feature detector (such as a vertical edge detector) that’s useful in one part of the image is probably useful in another part of the image.
1
直观的理解就是，一个卷积核，如果它适用于一幅图片的左上角做边缘检测，则他也能适用于图片的右下角。
卷积核的参数不需要改动，就能被适应，这就是所谓参数共享。

稀疏连接（Sparsity of Connections）

准确的定义如下：

In each layer, each output value depends only on a small number of inputs.
1
直观的理解就是，卷积输出的每一个数值（像素），只与卷积核大小的像素值有关，与卷积核范围之外的其它像素无关。

平移不变（Translation Invariance）

即使把图片移动几个像素，这张图片依然具有非常相似的特征。

怎么理解呢？平移后，MaxPooling的输出，在一定范围内还是相同的（不变）。

结论

深层神经网络中使用卷积，可以通过参数共享和稀疏连接，减少参数。参数少了，我们就能用更少的训练集来训练网络，从而预防过拟合。

• 卷积层只需要很少的参数，就能连接两个很大维度的特征
• 全连接层，要连接两个很大维度的特征，参数会非常多

而有Pooling层的存在，神经网络具备平移不变这样的性质，提高了泛化能力

---

原文：https://blog.youkuaiyun.com/ybdesire/article/details/80057150