先验分布在不观察任何数据的情况下表达了您对模型的假设。例如，在进行线性回归时，您先验地假设斜率接近于零。现在您开始测量数据点，结果表明斜率应该接近 1，因此您妥协并选择一个介于两者之间的值。如果您对先前假设的零斜率的信念很弱，则不需要太多数据来说服您选择更接近一的斜率。如果你的信念很坚定，无论如何你都会选择一个接近于零的斜率，并要求查看许多数据点，直到你慢慢地将它移向一个。

在回归的情况下，您的信念强度将由优化目标中正则化项的权重参数化。对于神经网络，正则化和先验之间的联系是相同的（更多细节请参见此处）。

因此，您可以将先验的强度视为您需要查看多少证据的量度，直到您偏离您对模型的先验假设。

当你训练一个 CNN 时，你先验地假设这个网络结构最适合你的问题，即模型应该在内部计算卷积。由于模型中内置了 CNN 结构，因此再多的数据都无法说服您放弃这种结构，转而使用全连接的 NN。因此，先验是无限强的。

池等的论点将是相似的。我什至会声称，即使不是所有不可训练的参数，大多数也可以被视为无限强的先验。