1. 概述
- 卷积运算
$s(t) = \int x(a)w(t-a)dz = (x w)(t)$，$$表示卷积运算。函数x通常叫做输入，函数$w$称作核函数，输出有时被称作特征映射。
- 重要属性
- 稀疏交互
- 使得和的大小远小于输入的大小，参数个数变小
- 参数共享
- 一个模型中多个函数使用相同的参数
- 使得神经网络具有平移等变性
- 等变表示
- 稀疏交互
2. 池化
- 使用某一位置的相邻输出的总体特征来代替网络在该位置的输出
- 最大池化
- 平均池化
- 池化能够帮助输入的表示近似不变。平移的不变性是指我们队输入进行少量平移时，经过池化函数后的大多数输出并不会发生改变