参考资料：[UFLDL教(http://ufldl.stanford.edu/wiki/index.php/UFLDL教程)及tornadomeet的博客
个人代码：github地址

卷积与池化

卷积

当输入数据的特征数很大时，若特征层每个神经元都和所有特征相连，则需要非常多的参数。例如96*96的图像，学习100个特征，则有近1,000,000个参数需要学习，对资源的消耗非常巨大。
解决这一问题的方法是部分连通，即每个特征层的神经元一次只和上一层的部分特征相连。这是因为图像具有统计特性，图像一部分的特征很可能也适用于其它部分。例如，在图像上截取一个8 \(\times\) 8的小区域，并从中学习到了一个8 \(\times\) 8大小的权值网络，我们可以将这个权值应用到图像所有区域，来获得任一位置的激活值。
对卷积的理解可以结合图像卷积来进行，可以参考这篇博客。不同的是，在对图像做卷积运算的时候，一般要拓展图像以保证运算前后图像大小不变；而学习特征则不用，直接卷积即可，卷积后的图像大小为imageDim-convolvedDim+1，imageDim是图像在某一方向上的维度，convolvedDim是卷积算子在对应方向上的维度。

池化

卷积关注的是图像的局部特征，但是，在描述大图像的时候，需要关注更大范围内的特征，因此使用了池化。池化求的是卷积后图像的某个区域的统计特征（比如最大值最小值或平均值，取决于应用场合）。池化的特征维度更低，而且可以改善结果，减小过拟合。例如，一个96 * 96的卷积后的图像，对48 * 48大小的区域进行池化，那么最终会得到一个2*2大小的池化层（也称作下采样层）。
池化由于关于的是统计特征，因此具有一定的平移不变性。例如手写数字，左侧或右侧平移一点并不影响最终的结果。

关于池化和卷积

本次的练习中，采用的是卷积——池化——softmax结构，实际上，有时候往往会采用卷积——池化——卷积——池化……这样交织的结构来一步步提取图像的特征。