卷积操作可以看成全连接网络,但对这个全连接网络有一个无限强的先验,指
1.一个隐藏单元的权重必须和它邻居的权重相同。
2.除了处在隐藏单元的小的空间连续的接受域内的权重之外,其余的权重都为0.
对第一条解释一下:这里说的权重不针对同一个输出单元。
如上图,x_2和x_3共享 a,b,c 这三个权重值,但输出单元不同,比如 x_2*b --> s_2, 而 x_3*b --> s_3
使用池化也是一个无限强的先验:每个单元都具有对少量平移的不变性。
但当任务目标与先验的假设冲突时,使用卷积和池化就有可能导致欠拟合。
比如,如果一项任务依赖于保存精确的空间信息,那么在所有的特征上使用池化就有可能增大训练误差。(因为池化“模糊”了细节)
又比如,当一项任务涉及到要对输入中相隔较远的信息进行合并时,使用卷积就不太好。(因为卷积操作一次只针对一小块连续空间,无法合并距离远的信息)