在空间变换网络中，定位网络的概念基本上是学习应用变换来找到输入的规范形式。想象一下网络的输出$\theta$作为传递给另一层的激活。关键是操作的采样序列是可微的。$\theta$只是一个输出，它指定应该如何执行采样。通常使用的采样操作是双线性插值，尽管由于floor和ceiling函数在所有点上都不可微，但它可以 反向传播误差并且在其大部分输入中是可微的。考虑$\theta$就像传递给双线性采样器以更改下一个网络的输入的激活一样。双线性采样被认为是可微的。

为了更好地理解它，请考虑下图，它比原始论文中的更容易说明空间转换器内部的过程。

很明显，定位网络的输出是$\theta$将被传递到采样网格。采样网格将乘以$\theta$在原始图像中找到合适的区域。考虑到你不乘$\theta$到原始图像。原因是，如果乘以原始图像，单个像素将有多个选择，而如果将定位网络的输出乘以采样网格，则每个条目只有一个选择。接下来，采样的网格和原始图像将用于插值以找到变换后的图像。很明显，$\theta$就像其他激活一样。