1樓：施念
我的理解：
乙個個卷積核相當於對影象進行區域性特徵提取，從而產生不同的feature map，具體的，在滑動過程中，某pixel所在的卷積區域與卷積核相似(相關)程度大的得到的值越大。多層卷積相當於進行深層次(高維度，更抽象)的特徵提取。
遲化層相當於對之前卷積提取到的每個feature map的區域性特徵進行篩選或融合，選取適當的有代表性的點來表示乙個區域，這樣做的目的是進行泛化以及降維(防止引數過多，訓練成本過高)。
2樓：李壞蛋
卷積
卷積的核心概念是filter。
filter可以看成乙個能在影象上滑動的小視窗，用於檢測特定的pattern。視窗每滑動一步，就做一次pattern檢測，檢測結果在對應的卷積層神經元輸出。
整個卷積層的輸出可以看成一張新的「影象」，其中每個「畫素」不是表示亮度，而是表示對應位置處pattern的顯著程度。
池化
池化把卷積層輸出的「影象」分成多個格仔，然後計算每個格仔內「畫素」的最大值或平均值，計算結果在池化層神經元的輸出。
池化有兩個目的：1 降維 2 translation invariant
降維：降維很好理解，經過池化層之後，「影象」變小了。
translation invariant：從池化的計算過程可以看出，pattern在池化的乙個格仔內移動，池化層的輸出不變，也就是說池化層對pattern的區域性位移不敏感。
3樓：秦夢秋
卷積層每次作用在乙個視窗，它對位置很敏感。池化層可以緩解這個問題，池化層會找出視窗中的最大值，至於最大值在視窗中的什麼位置，它不管。
4樓：YINGCHI.Joey
卷積其實只是式子複雜，形象地理解其實不難，卷積核你當做乙個濾波器，拿二維卷積而言，卷積的操作只是把卷積核(乙個矩陣)翻轉180度在影象上按照一定步長進行「遊走」，同時進行內積計算，卷積核選的合適的話，卷積計算後會過濾出目標影象的邊緣資訊，這是在當今CV/DL領域中非常重要的思想，當然，這個概念已經很早了。
池化的話，舉個例子，乙個班學生成績的池化，假如看教室的俯檢視，若教室裡學生座位是9*9的，那麼可以這樣池化，從左上角，每3*3區域的學生，選出乙個最高分代表整個區域，以此類推，整個教室池化完剩下9個區域的最大值成績，這就是所謂的「最大值池化」，當然，還有平均值池化，不用多說。
5樓：孫堯佳
可以看看這篇文章《An Intuitive Explanation of Convolutional Neural Networks》，感覺講的還挺詳細
翻譯版：[翻譯] 神經網路的直觀解釋
我只是個搬運工，非文章作者…侵刪
CNN（卷積神經網路） RNN（迴圈神經網路） DNN（深度神經網路）的內部網路結構有什麼區別？
可可噠 寫一點個人理解吧。CNN 它是以 層 layer 為單位的，每一層的結構可以完全不一樣。常見的CNN層有卷積層 池化層 softmax層 池化層 這些基礎層之上還有諸如ResNet的遠連線，GoogLeNet的Inception層，用來實現一些特定的功能 深層網路 多尺度特徵提取等 RNN ...
如何理解一維卷積神經網路的輸入？
diablo 一維卷積的含義是在做卷積運算時，卷積核在輸入矩陣上的移動方向只有乙個維度，就是從上往下移動 輸入是乙個二維的矩陣是沒問題的，只要你的卷積核移動方向只有乙個維度，那麼這就是一維卷積 這意味著做一維卷積時，卷積核的寬度與輸入矩陣的寬度是相等的，否則就需要左右移動卷積核了，就不是一維卷積了 ...
卷積神經網路中卷積核是如何學習到特徵的？
去太平洋游泳 在深度學習沒出來之前，cv方向早就有了卷積核的概念。卷積核的功能多種多樣，卷積核又叫濾波器。高通濾波器和低通濾波器用的也比較多。實現的功能也不一樣，銳化鈍化，去噪，平滑。不過高通濾波器和低通濾波器卷積核的引數是固定的，提取的特徵也是單一的。後來深度學習出現了，有了自動提取特徵的功能。主...