如何用最通俗语言讲解神经网络中的“卷积”？

古典的神经网络一般都是全连接的，也就是，每个输出节点都取决于输入数据的所有纬度，公式化为：

output=relu(W*X+B)

其中relu是一种激活函数，W是权重参数，B是偏移。

通过多个这样的全连接层堆叠，来提高网络模型的表达力。

但是问题来了！一张300×300的RGB图像输入纬度是27万维！如果用全连接，参数矩阵W就太大了！更何况还得堆叠很多层！（一般来说，层数越多，表达能力越强，这是深度学习兴起的原因）

所以就想出了个退而求其次的方式：27万维的数据不全部连接，只连接一小块区域的值(比如3×3的卷积核只连接3×3区域的27个值(输入通道为三))。

因为卷积和池化会不断的融合近邻区域的信息，所以通过多次堆叠卷积层和池化层，最终得到高层的大区域的特征。

总结来说，卷积是一种妥协。卷积类似人大代表制，通过不断选出各层人大代表，最终选到国家领袖。而传统的全连接网络相当于普选，人手一票，只不过为个人的票重要程度不一样。