网络算法——特征不变性的形象表现

阅读卷积神经网络算法相关文献时，有时内容会提到池化层的效果之一是特征不变性。我们可以理解特征不变性就是指张量经过池化，其中蕴含的高级语义没有丢失。let us通过《带珍珠耳环的少女》来生动地展示一下这种效果。

首先使用以下代码对少女进行不同步长的等间隔采样：

import matplotlib.image as mpimg
import matplotlib.pyplot as plt

img = mpimg.imread('ShaoNv.jpg')

row, col, cha = img.shape
print("The image is of size (%d, %d) with %d color channels."\
      %(row, col, cha))

stride = [2**i for i in range(1, 5)]

def down_sampling(deluta):
    img_ = img[0:row:deluta, 0:col:deluta, :]
    plt.imsave('Shaonv_%d.png'%deluta, img_)

for stride_len in stride:
    down_sampling(stride_len)

经过2、4、8、16等间隔采样的少女图像分别如下所示。虽然少女被越裁越小，但是即便是最小的图片，也能够依稀辨认出少女的轮廓。维米尔赋予这幅画的语义经过16间隔采样仍旧可以辨认，这就是特征不变性。（虽然还不知道数学上如何描述它，但是这已经够浪漫了儿）