在卷积神经网络模型的背景下，我曾经听到这样的说法：
卷积的一个理想特性是它们是
平移等变以及空间池化的介绍
会破坏翻译等效的属性。
这句话是什么意思，为什么？
最佳答案
您很可能是从Bengio's book听到的。我会尽力给你我的解释。
粗略地说，如果f(g(x)) = g(f(x))，则两个变换是等变的。对于卷积和平移而言，如果您convolve(translate(x))，则与您translate(convolve(x))相同。这是需要的，因为如果卷积会在图像中找到猫的眼睛，那么如果您移动图像，它将找到那只眼睛。
您可以自己查看（我使用1d转换只是因为它很容易计算东西）。让v = [4, 1, 3, 2, 3, 2, 9, 1]与k = [5, 1, 2]卷积。结果将是[27, 12, 23, 17, 35, 21]
现在，让我们通过添加v' = [8] + v来移动v。与k卷积，您将得到[46, 27, 12, 23, 17, 35, 21]。当您得到结果时，该结果只是先前的结果之前附加了一些新内容。
现在是有关空间池化的部分。让我们在第一个结果和第二个结果上进行大小为3的最大池化。在第一种情况下，您将得到[27, 35]，在第二种情况下，您将得到[46, 35, 21]。如您所见，27不知何故消失了（结果已损坏）。如果您进行平均池化，它将更容易损坏。
附言max / min池化是所有池化中翻译上最不变的（如果可以这样说，如果您比较非腐败元素的数量）。