“`” 以上几个不相关问题的相关性在于，都存在局部与整体的关系，由低层次的特征经过组合，组成高层次的特征，并且得到不同特征之间的空间相关性。如下图：低层次的直线／曲线等特征，组合成为不同的形状，最后得到汽车的表示。
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://julyedu-img-public.oss-cn-beijing.aliyuncs.com/Public/Image/Question/1512808716_101.png"">
CNN抓住此共性的手段主要有四个：局部连接／权值共享／池化操作／多层次结构。 局部连接使网络可以提取数据的局部特征；权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本） 中进行卷积；池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。如下图：
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://julyedu-img-public.oss-cn-beijing.aliyuncs.com/Public/Image/Question/1512808777_641.png"">
上图中，如果每一个点的处理使用相同的Filter，则为全卷积，如果使用不同的Filter，则为Local-Conv。
<pre><code> "“`
Was this helpful?
0 /
0