Pooling(池化)的好处以及CNN优缺点

CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。
选用卷积的原因:
    局部感知:
        简单来说，卷积核的大小一般小于输入图像的大小（如果等于则是全连接），因此卷积提取出的特征会更多地关注局部 ——
        这很符合日常我们接触到的图像处理。而每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，
        然后在更高层将局部的信息综合起来就得到了全局的信息。
    参数共享:
        参数共享最大的作用莫过于很大限度地减少运算量了。
    多核:
        一般我们都不会只用一个卷积核对输入图像进行过滤，因为一个核的参数是固定的，其提取的特征也会单一化。
        这就有点像是我们平时如何客观看待事物，必须要从多个角度分析事物，这样才能尽可能地避免对该事物产生偏见。
        我们也需要多个卷积核对输入图像进行卷积。

CNN的优点和缺点：
优点：
    1、共享卷积核，对高维数据处理无压力
    2、需手动选取特征，训练好权重，即得特征分类效果好
缺点：
    1、Cnn的生物学基础支持不足，没有记忆功能。
    神经网络并不是每个神经元关注的是一个特征，而一组神经元关注一个特征。
    一组可以输出一个向量，而一个输入只能输出一个数值。
    2、Cnn全连接模式过于冗余而低效。
    3、Cnn胜在特征检测，但特征理解不行

pooling(池化)的好处有什么？
    1. 这些统计特征能够有更低的维度，减少计算量。
    2. 不容易过拟合，当参数过多的时候很容易造成过度拟合。
    3. 缩小图像的规模，提升计算速度。
Pooling 的意义，主要有两点：
    其中一个显而易见，就是减少参数。通过对 Feature Map 降维，有效减少后续层需要的参数。
    另一个则是 Translation Invariance。它表示对于 Input，当其中像素在邻域发生微小位移时，Pooling Layer 的输出是不变的。这就使网络的鲁棒性增强了，有一定抗扰动的作用。

权值共享:
    权值共享（共同使用一个卷积核），那么将可以大大减少卷积核的数量，加快运算速度。

卷积操作有两个问题：
    1. 图像越来越小；
    2. 图像边界信息丢失，即有些图像角落和边界的信息发挥作用较少。因此需要padding。