图片结构上的平移不变性以及”池化“操作的部分作用

以图像分类任务为例，如果我们有一张包含一只猫的图像，无论猫在图像中的位置如何变化（比如从左到右，或者从上到下），卷积神经网络的输出应该始终是“猫”这个类别。这就是平移不变性的体现。

在卷积神经网络中，这个特性是通过一些特殊的操作实现的。比如，当我们使用卷积核进行卷积操作时，这些卷积核是预设的，它们会在输入图像上滑动，提取图像中的特征。如果我们将卷积核沿着图像进行平移，然后再进行卷积操作，那么提取到的特征就会发生变化。但是，如果我们使用的是“池化”操作（比如最大池化或平均池化），那么即使卷积核被平移，最后的结果也不会受到影响，因为池化操作用于对局部进行统计。这样，即使图像中的目标发生了平移，也不会影响最终的识别结果。