【摘要】：通过局部感知后参数仍然过多，那么就可以采用第二种方法，即权值共享。在上面的局部连接中，每个神经元都对应100个参数，一共1000000个神经元，如果这1000000个神经元的100个参数都是相等的，那么参数数目就变为100了。怎么理解权值共享呢？可以把这100个参数看成是提取特征的方式，该方式与位置无关。如图3.2所示，展示了一个3×3的卷积核在5×5的图像上做卷积的过程。图3.2 卷积运算过程
通过局部感知后参数仍然过多，那么就可以采用第二种方法，即权值共享。在上面的局部连接中，每个神经元都对应100个参数，一共1000000个神经元，如果这1000000个神经元的100个参数都是相等的，那么参数数目就变为100了。
怎么理解权值共享呢？可以把这100个参数（也就是卷积操作）看成是提取特征的方式，该方式与位置无关。这其中隐藏的原理是：图像的一部分的统计特性与其他部分是一样的。这也意味着在这一部分学习的特征也能用在另一部分上，所以对于这个图像上的所有位置，都能使用同样的学习特征。
更直观一些，当从一个大尺寸图像中随机选取一小块，比如8×8作为样本，并且从这个小块样本中学习到了一些特征，这时可以把从这个8×8样本中学习到的特征作为探测器，应用到这个图像的任意地方中去。特别是，可以用从8×8样本中所学习到的特征与原本的大尺寸图像作卷积，从而对这个大尺寸图像上的任一位置获得一个不同特征的激活值。
如图3.2所示，展示了一个3×3的卷积核在5×5的图像上做卷积的过程。每个卷积都是一种特征提取方式，就像一个筛子，将图像中符合条件（激活值越大越符合条件）的部分筛选出来。(www.xing528.com)
图3.2 卷积运算过程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
