在阅读相关资料后，我不太理解：神经网络中的“卷积”是否可以与简单的下采样或“锐化”功能相提并论？
你能将这个术语用一个简单易懂的图像/类比来解释吗？
编辑：在第一次回答后重新表述：池化可以理解为权重矩阵的下采样吗？
回答：
卷积神经网络是一类模型，经实证证明在图像识别方面表现出色。从这个角度来看，CNN与下采样完全不同。
但在用于设计CNN的框架中，确实有与下采样技术相似的部分。要完全理解这一点，你需要了解CNN通常是如何工作的。它的构建由层次化的层数组成，每层都有一组可训练的核，其输出维度与输入图像的空间大小非常相似。
这可能是一个严重的问题——来自这样一层的输出可能非常大（~ nr_of_kernels * size_of_kernel_output），这可能使计算变得不可行。这就是为什么使用某些技术来减小输出大小的原因：
- 步长、填充和核大小调整：通过将这些值设置为特定值，你可以减小输出的尺寸（另一方面，你可能会丢失一些重要信息）。
- 池化操作：池化是一种操作，它不是将所有核的所有输出作为一层的输出传递，而是只传递关于这些输出的特定聚合统计数据。这被认为是非常有用的，并且在CNN设计中被广泛使用。
有关详细描述，你可以访问这个教程。
编辑：是的，池化是一种下采样 😊
