一、提出問題

對于生活生產中的表格數據，至多也就上百維，而且表格數據的行與行之間沒有序列和位置上的關系，所以用傳統的機器學習算法就可輕松的解決這些問題。但是到了圖片數據，傳統機器學習就非常吃力了，一個普通的RGB圖片，怎樣向量化？傳統機器學習的輸入都是向量。如果強制把一個RGB圖片拉成向量，會出現三個問題：

向量緯度會非常大，模型的參數非常多；

強制把RGB圖片拉成向量，丟失了像素的位置關系，這對于圖片數據來說是最大的問題；

算法對于向量過于敏感，因為對于圖片來說更多的是多個具有結構的像素才具有意義，不像傳統表格數據，維度間關聯度不大；

二、解決問題

針對上面三個問題，深度學習引入了兩個看似平淡無奇但是卻驚動武林的想法：

引入卷積層，解決維度大參數多問題，解決了像素位置結構丟失問題；

引入遲化層，解決了對于像素的敏感問題。

三、意義

卷積層用來很好的抓取圖片的特征，遲化層用來解決模型對卷積抓取的特征過于敏感，增加泛化能力。和傳統機器學習討論是一樣的，一方面狠狠的擬合數據，另一方面又小心翼翼的防止過擬合，任何一個模型都有這兩把刷子。有了這兩把刷子，就如同開車的油門和剎車，運用得當自然老司機，在歷史上留名的那些著名模型就屬于這一類恰當的配合卷積層和遲化層，創造出豐富多樣、威力越來越大的模型，明白這兩點，下面可以開車了。

總結

以上是生活随笔為你收集整理的（一）卷积网络之基础要点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。