看完这个主题后，我还不完全明白：神经网络中的“卷积”可与简单的下采样或“锐化”功能相提并论吗？
您可以将此术语分解为简单易懂的图像/类比吗？
编辑：重新回答第一个答案：合并可以理解为权重矩阵的下采样吗？
最佳答案
卷积神经网络是一系列模型，经经验证明，它们在图像识别方面非常有效。从这个角度来看，CNN与下采样完全不同。
但是在CNN设计中使用的框架中，有些东西可以与下采样技术相提并论。要完全理解-您必须了解CNN通常如何工作。它是由分层的层次结构构建的，并且在每一层都有一组可训练的内核，这些内核的输出尺寸与输入图像的空间尺寸非常相似。
这可能是一个严重的问题-该层的输出可能会非常庞大（~ nr_of_kernels * size_of_kernel_output），这可能会使您的计算难以处理。这就是为什么使用某些技术来减小输出大小的原因：
步幅，填充和内核大小操纵：将这些值设置为某个值可以减小输出的大小（另一方面，您可能会丢失一些重要信息）。
池化操作：池化是一种操作，在该操作中，不是将所有内核的所有输出作为层的输出传递，而是可以仅传递有关其的特定聚合统计信息。它被认为是非常有用的，并广泛用于CNN设计中。
有关详细说明，您可以访问此tutorial。
编辑：是的，合并是一种下采样😊
关于machine-learning - 卷积神经网络与下采样？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/38097111/