本文详细介绍了卷积神经网络（CNN）的位移、尺度、旋转和视角不变性等关键特性，探讨了CNN如何通过卷积核、池化层和数据增强来应对这些不变性挑战，以实现更鲁棒的图像识别。
以下文章摘录自：
《机器学习观止——核心原理与实践》
京东： https://item.jd.com/13166960.html
当当：http://product.dangdang.com/29218274.html
(由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情)
1.1 CNN的典型特性
除了前面小节所阐述的典型特征以外，我们还应该关心卷积神经网络的如下特征，以保证模型的鲁棒性：
l 位移不变性
l 尺寸不变性
l 旋转不变性
等等
位移不变性很好理解，它指的是无论物体在图像中的什么位置，卷积神经网络的识别结果都应该是一样的。
例如下面这两张输入图像中的cat:
图 ‑ 位移不变性
上图左侧中的猫在图像中的位置偏右，而右侧中的猫在图像中的位置偏左——如果物体在图像中所处的位置，对于模型的预测结果不会产生任何影响，那么我们就可以说它具备了位移不变性。
那么神经网络是否具备这一关键的特性呢？
我们先来分析一下一个普通的神经网络中的情况。如下图所示：
图 ‑ 一个全连接神经网络范例——SimpleNet1
在上图所描述的神经网络中，输入层有25个节点，拥有若干中间隐藏层，且各层之间都采用全连接的方式来组建，最终输出层的节点数量则是两个。
我们假设需要训练上述模型来识别一个十字的形状，如下图所示是它的training set中几个元素的直观展示：
最低0.47元/天 解锁文章
6529
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
