深度学习中为什么使用卷积？

深层神经网络中使用卷积的优点：参数共享，稀疏连接，平移不变。

参数共享（Parameter Sharing）

准确的定义如下：

A feature detector (such as a vertical edge detector) that's useful in one part of the image is probably useful in another part of the image.

直观的理解就是，一个卷积核，如果它适用于一幅图片的左上角做边缘检测，则他也能适用于图片的右下角。
卷积核的参数不需要改动，就能被适应，这就是所谓参数共享。

稀疏连接（Sparsity of Connections）

准确的定义如下：

In each layer, each output value depends only on a small number of inputs.

直观的理解就是，卷积输出的每一个数值（像素），只与卷积核大小的像素值有关，与卷积核范围之外的其它像素无关。

平移不变（Translation Invariance）

即使把图片移动几个像素，这张图片依然具有非常相似的特征。

怎么理解呢？平移后，MaxPooling的输出，在一定范围内还是相同的（不变）。

结论

深层神经网络中使用卷积，可以通过参数共享和稀疏连接，减少参数。参数少了，我们就能用更少的训练集来训练网络，从而预防过拟合。

• 卷积层只需要很少的参数，就能连接两个很大维度的特征
• 全连接层，要连接两个很大维度的特征，参数会非常多

而有Pooling层的存在，神经网络具备平移不变这样的性质，提高了泛化能力。