笔记 - 卷积网络：全连接 卷积核 池化核

总结：

全连接侧重 特征的精确位置
卷积层侧重 特征的相对位置

思考：每次训练都能学到一样的局部特征吗，为什么

---

卷积核

• 一个卷积核，就是一个局部特征
• 所以卷积层的输出会更少地依赖特征的精确位置（相比全连接层）

为什么这么说:
因为全连接层的权重和位置有着紧密的关联
但卷积层的权重和特征本身紧密关联

• 优点：计算量少，泛化能力高

理解内在逻辑

池化核

• 一个过滤器
• 作用：让特征更加集中

---

一层中使用较多的卷积核有什么用：

1.提取出更多的局部特征
2.减轻池化层的信息损失

资料

图像的上采样（upsampling）与下采样（subsampled）
典型卷积神经网络架构