其实我想这个问题有点广泛！无论如何。
了解卷积网
在ConvNets尝试将成本函数最小化以在分类任务中对输入进行正确分类的过程中，我们学到了什么。所有参数更改和学习的过滤器都是为了达到上述目的。
不同层次的学习功能
他们试图通过学习低水平（有时无意义）的特征（例如水平线和垂直线）来降低成本，然后在第一层中将它们堆叠起来以形成通常具有意义的抽象形状。为了说明这个图。可以考虑从这里开始使用的1 。输入是总线，并且网格显示输入通过第一层中的不同过滤器后的激活。可以看出，红色框是一个滤波器的激活，它的参数已经被学习，它已经针对相对水平的边缘被激活了。蓝色框已针对相对垂直的边缘被激活。它可能是ConvNets了解有用的未知过滤器，例如计算机视觉从业人员，我们还没有发现它们可能有用。这些网络最好的部分是，它们尝试自己寻找合适的过滤器，而不使用我们有限的发现过滤器。他们学习过滤器以减少成本函数的数量。如上所述，这些过滤器不一定是已知的。
在更深的层中，在先前的层中学习到的特征会融合在一起，并形成通常具有意义的形状。在本文中，已经讨论了这些层可能具有对我们有意义的激活，或者对人类有意义的概念（作为人类）可以分布在其他激活中。在图。图2中的绿色框显示了过滤器第五层中的过滤器的激活素ConvNet。该滤镜在乎脸部。假设红色的头发在乎。这些具有意义。可以看出，在输入中典型面的位置上还激活了其他激活，绿色框就是其中之一；其他的激活是其中之一。蓝框是这些的另一个示例。因此，可以通过一个或多个过滤器来学习形状的抽象。换句话说，每个概念（如脸部及其组件）都可以分布在过滤器中。如果这些概念分布在不同的层中，那么如果有人看着它们，它们可能会很复杂。信息分布在它们之间，并且为了理解信息，所有这些过滤器及其激活都必须加以考虑，尽管它们看起来可能是如此复杂。
CNNs完全不应视为黑匣子。Zeiler等人在这篇惊人的论文中都讨论了如果您不了解在这些网络内部所做的工作，则可以将开发更好的模型简化为反复试验。本文试图以可视化的特征映射ConvNets。
处理不同转换的能力
ConvNets使用pooling图层不仅可以减少参数数量，而且还具有对每个要素的确切位置不敏感的功能。而且，使用它们还使图层可以学习不同的特征，这意味着第一层可以学习简单的低级特征（例如边缘或弧形），而较深的图层则可以学习更复杂的特征（例如眼睛或眉毛）。Max Pooling例如，尝试调查特定区域中是否存在特殊功能。pooling层的概念是如此有用，但它仅能处理其他转换之间的转换。尽管不同图层中的滤镜会尝试查找不同的模式，例如，与平常的面孔相比，旋转的面孔是使用不同的图层来学习的，CNNs到那里自己没有任何层可以处理其他转换。为了说明这一点，假设您想学习简单的面孔而无需任何旋转，只需最小的网。在这种情况下，您的模型可以做到完美。假设要求您学习任意旋转的各种面孔。在这种情况下，您的模型必须比以前的学习网络大得多。原因是必须有过滤器才能了解输入中的这些旋转。不幸的是，这些还不是全部转换。您的输入也可能会失真。这些案件使Max Jaderberg等人大为恼火。他们撰写了这篇论文来处理这些问题，以解决我们的愤怒。
卷积神经网络确实有效
最后，在参考了这些要点之后，它们便起作用了，因为它们试图在输入数据中查找模式。他们通过卷积层将它们堆叠起来以形成抽象概念。他们试图找出输入数据是否在这些密集的层中具有这些概念中的每一个，以找出输入数据所属的类别。
我添加了一些有用的链接：