自动摘要: 滤波器与卷积区别 卷积目的：从输入中提取有用的特征。 滤波器：每种滤波器提取不同的特征，比如水平、垂直、对角线边缘等等 两者区别：在CNN中，通过卷积提取不同的特 ……..
滤波器与卷积区别
卷积目的：从输入中提取有用的特征。
滤波器：每种滤波器提取不同的特征，比如水平、垂直、对角线边缘等等
两者区别：在CNN中，通过卷积提取不同的特征，而卷积核（滤波器）的参数（权重）在训练期间自动学习，然后将所有的提取到的特征“组合”分析。
卷积神经网络的优势
权值共享
- 原因
- 卷积层中会有很多的滤波器，这些滤波器会去识别图像的特定的某些特征，每个滤波器会去滑动卷积上一层的特征图，而每一个卷积核都对应一个滤波后映射出的新图像，同一个新图像中每一个像素都来自完全相同的卷积核，在卷积的过程中滤波器的参数是不变且共享的。
- 优势
- 这样在训练过程中，与之前的全连接神经网络训练大尺度输入样本时需要大量参数相比，卷积神经网络只需要很少的参数就可以完成训练。（CNN图像的平移不变性）
局部链接
- 原因
- 大量的参数不仅会拉低神经网络训练的效率，也很容易导致过拟合。
- 自然图像存在局部区域稳定的属性，其某一局部区域的统计特征相对于图像其他相邻局部区域具有相似性。
- 每一个神经元不需要接收全部像素点的信息，只需要接收局部的像素点作为输入，而后将所有这些神经元收到的局部信息综合起来就可以得到全局的信息。
- 优势
- 只需考虑感受野参数大小，使参数量大量减少。同时考虑到了像素空间的关系，如狗的身体通常连接头部、四肢和尾部
