多层感知机在处理图像这种高维数据时，因为模型需要大量的数据来训练这么多参数，会导致巨大的计算成本，还会增加过拟合的风险，所以人们选择使用卷积神经网络
1 不变性
在计算机视觉和深度学习领域，特指模型对输入数据中的某些变换具有鲁棒性的能力。具体来说，如果一个模型在处理图像时，能够不受图像中对象的位置、大小、旋转等因素的影响，依然准确地识别出对象，那么这个模型就具有空间不变性，包括平移不变性、缩放不变性、旋转不变性、放射不变性。
假设我们要在一张图中寻找我们指定的角色：
但是在眼花缭乱的场景中找到他如通大海捞针，因此我们可以使用一个“检测器”扫描图像。 该检测器将图像分割成多个区域，并为每个区域包含沃尔多的可能性打分。
现在，我们将上述想法总结一下，从而帮助我们设计适合于计算机视觉的神经网络架构。
- 平移不变性（translation invariance）：不管检测对象出现在图像中的哪个位置，神经网络的前面几层应该对相同的图像区域具有相似的反应，即为“平移不变性”。
- 局部性（locality）：神经网络的前面几层应该只探索输入图像中的局部区域，而不过度在意图像中相隔较远区域的关系，这就是“局部性”原则。最终，可以聚合这些局部特征，以在整个图像级别进行预测
2 多层感知机的限制
在多层感知机中，输入是二维图像 X X X，其隐藏表示 H H H在数学上是一个矩阵，在代码上表示一个二维张量，我们使用 [ X ] i , j [\mathbf{X}]_{i, j} [X]i,j和 [ H ] i , j [\mathbf{H}]_{i, j} [H]i,j分别表示输入图像和隐藏表示中位置为 ( i , j ) (i,j) (i,j)处的像素。
在多层感知机中，每个神经元与上一层的所有神经元相连，即全连接方式。对于图像输入来说，这种方式并不适合，因为图像中的局部特征通常是局部区域的组合，所以我们希望隐藏表示是一个区域一个区域 ( k , l ) (k,l) (k,l)的进行计算，将参数从权重矩阵替换为四阶权重张量 W W W，即：
[ H ] i , j = [ U ] i , j + ∑ k ∑ l [ W ] i , j , k , l [ X ] k , l = [ U ] i , j + ∑ a ∑ b [ V ] i , j , a , b [ X ] i + a , j + b . \begin{split}\begin{aligned} \left[\mathbf{H}\right]_{i, j} &= [\mathbf{U}]_{i, j} + \sum_k \sum_l[\mathsf{W}]_{i, j, k, l} [\mathbf{X}]_{k, l}\\ &= [\mathbf{U}]_{i, j} + \sum_a \sum_b [\mathsf{V}]_{i, j, a, b} [\mathbf{X}]_{i+a, j+b}.\end{aligned}\end{split} [H]i,j=[U]i,j+k∑l∑[W]i,j,k,l[X]k,l=[U]i,j+a∑b∑[V]i,j,a,b[X]i+a,j+b.
其中 W W W到 V V V只是形式上的变换,索引 a a a 和 b b b 通过在正偏移和负偏移之间移动覆盖了整个图像。
对于隐藏表示中任意给定位置 ( i , j ) (i,j) (i,j)处的隐藏表示 H H H可以通过 x x x以 ( i , j ) (i,j) (i,j)为中心对像素进行加权求和得到，加权使用的权重便是 [ V ] i , j , a , b [\mathsf{V}]_{i, j, a, b} [V]i,j,a,b，这种操作便是卷积操作
2.1 平移不变性
由于平移不变性，即卷积核应该能够在输入图像的不同位置检测到相同的特征，而不依赖于具体的位置 ( i , j ) (i,j) (i,j)（即图像的坐标位置），所以 [ V ] i , j , a , b = [ V ] a , b [\mathsf{V}]_{i, j, a, b} = [\mathbf{V}]_{a, b} [V]i,j,a,b=[V]a,b，并且 U U U是一个常数，我们假设为 u u u，所以可以简化表达为：
[ H ] i , j = u + ∑ a ∑ b [ V ] a , b [ X ] i + a , j + b . [\mathbf{H}]_{i, j} = u + \sum_a\sum_b [\mathbf{V}]_{a, b} [\mathbf{X}]_{i+a, j+b}. [H]i,j=u+a∑b∑[V]a,b[X]i+a,j+b.
这就是卷积（convolution）操作，使用系数 [ V ] a , b [\mathbf{V}]_{a, b} [V]a,b对 ( i , j ) (i,j) (i,j)附件的像素 ( i + a , j + b ) (i+a, j+b) (i+a,j+b)进行加权求和得到 [ H ] i , j [\mathbf{H}]_{i, j} [H]i,j
2.2 局部性
由于局部性，我们不应偏离到距 ( i , j ) (i,j) (i,j)很远的地方，即在 ∣ a ∣ > Δ 或 ∣ b ∣ > Δ |a|> \Delta或|b| > \Delta ∣a∣>Δ或∣b∣>Δ的范围之外，可以设置 [ V ] a , b = 0 [\mathbf{V}]_{a, b} = 0 [V]a,b=0，所以我们又可以把 [ H ] i , j [\mathbf{H}]_{i, j} [H]i,j重写为：
[ H ] i , j = u + ∑ a = − Δ Δ ∑ b = − Δ Δ [ V ] a , b [ X ] i + a , j + b . [\mathbf{H}]_{i, j} = u + \sum_{a = -\Delta}^{\Delta} \sum_{b = -\Delta}^{\Delta} [\mathbf{V}]_{a, b} [\mathbf{X}]_{i+a, j+b}. [H]i,j=u+a=−Δ∑Δb=−Δ∑Δ[V]a,b[X]i+a,j+b.
此时，上式就是一个卷积层，卷积神经网络就是包含有卷积层的神经网络，其中 V \mathbf{V} V被称作卷积核或者滤波器，亦或简单地称之为该卷积层的权重，通常该权重是可学习的参数
3 回顾游戏
目标是学习一个模型，以便探测出在指定角色最可能出现的地方。
然而这种方法有一个问题：我们忽略了图像一般包含三个通道/三种原色（红色、绿色和蓝色）。 实际上，图像不是二维张量，而是一个由高度、宽度和颜色组成的三维张量。因此索引应该改写为 [ X ] i , j , k [\mathsf{X}]_{i, j, k} [X]i,j,k，对应的，卷积应该调整为 [ V ] a , b , c [\mathsf{V}]_{a,b,c} [V]a,b,c
此外，由于输入图像是三维的，我们的隐藏表示也最好采用三维张量。还为了支持输入 X X X和隐藏表示 H H H中的多个通道，于是添加第四个索引，最后卷积层表示如下：
[ H ] i , j , d = ∑ a = − Δ Δ ∑ b = − Δ Δ ∑ c [ V ] a , b , c , d [ X ] i + a , j + b , c , [\mathsf{H}]_{i,j,d} = \sum_{a = -\Delta}^{\Delta} \sum_{b = -\Delta}^{\Delta} \sum_c [\mathsf{V}]_{a, b, c, d} [\mathsf{X}]_{i+a, j+b, c}, [H]i,j,d=a=−Δ∑Δb=−Δ∑Δc∑[V]a,b,c,d[X]i+a,j+b,c,
其中隐藏表示 H H H中的索引 d d d表示输出通道,而随后的输出将继续以三维张量 H H H作为输入进入下一个卷积层
：API说明(暂时完结，后续考虑将在线版mongoDB变为本地版))
