卷积神经网络（CNN）(local receptive fields & 局部接收域 & 局部感受野、shared weights &权重共享 & 、空间或时间分段采样 )

local receptive field

局部感受野，也叫感受视野域。

这个 local receptive field 就像一个小窗户一样叫感受视野，如下图。

透过这个窗户能看到的视野就是 左边的 5 * 5 的矩形，其对应这右边这个矩形中的 1*1的点。

显然这个窗户中有 5*5=25个权重值 （可能还含有一个偏置量b）。

随着窗户的不断移动，可以将右边的矩形中的点全部填满。
这个窗户 就叫卷积核。

Shared weights

共享权重。

一个窗户 即卷积核可以对一张图像进行操作，这个过程中卷积核的参数不会被改变，这就是权重共享。

像下面这张图一样 左边的input为输入图像，中间的kernel就是窗户，用这个小窗户去看输入的图像，不论怎么移动窗户，该窗户中的数字都是不变的。

spatial or temporal subsampling

空间或时间的子采样。

一般就叫做采样层。

这里提一下，采样层 并不是池化层。 池化层包含在采样层内，即 池化操作是采样的一种方法。

池化层一般接在卷积层后面，用于简化卷积的输出结果。
其实就是把卷积层的输出结果进行压缩。

像下面这张图，就是将四个元素压缩成了一个元素。

池化的方式有很多种，像最大池化、平均池化、自适应池化啊等等。

关于池化 卷积等的原理和详细图解可以移步我的另一篇文章，CNN基础概念梳理