卷积层和池化层的意义

卷积层和池化层的意义

一副完整的图像所包含的信息太多，容易产生信息的冗余，而且信息的量也很大。
　假如有一幅1000*1000的图像，如果把整幅图像作为向量，则向量的长度为1000000（10^{6）。在假如隐含层神经元的个数和输入一样，也是1000000；那么，输入层到隐含层的参数数据量有10}12，妈呀，什么样的机器能训练这样的网络呢。所以，我们还得降低维数，同时得以整幅图像为输入（人类实在找不到好的特征了）。于是，牛逼的卷积来了。接下来看看卷积都干了些啥。（引用自博客：https://www.cnblogs.com/wj-1314/p/9593364.html）

1 卷积层
局部感知：人的大脑识别图片的过程中，并不是一下子整张图同时识别，而是对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息。 （后面详解）
池化（Pooling）：也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。主要有：
Max Pooling：最大池化
Average Pooling：平均池化