我目前正在学习如何在图像识别中使用 CNN。我阅读的许多解释动机的不同资源都提到了这些网络（在某种程度上）是平移不变的这一事实。我的理解如下：

• 由于数据的高维性，特别是因为它们不保留像素之间的空间关系，全连接网络不适合图像识别。我关心像素 X 周围的像素状态以及 X 本身。
• CNN 解决了​​这个问题，因为它们以二维方式查看图像，因此也考虑了周围的像素（内核会这样做）。然而，虽然我关心 X 周围的情况，但我并不关心 X 在哪里。所以，我在任何地方都应用相同的内核，并制作了一堆层，这样我就可以获得一堆内核。
• 我也使用池化。这减少了数据维度，但也增加了一些平移不变性。

所以，我的问题是：CNN 的什么特征导致了不变性？我看到一些解释说这是地图基本上在某个功能出现时激活的结果，无论在哪里。其他人说，池化意味着，例如，如果一条水平线出现在一个地方而不是一个像素，那么池化将对两者都激活相同的。似乎第一个理由完全足够，第二个理由并不充分，但我也可以看到两者兼而有之。

我还阅读了一篇关于全卷积网络的论文 ( https://arxiv.org/pdf/1606.09549.pdf )。在第 2.1 节中，作者解释说他们有意选择使其完全卷积，因为这使他们能够“在一次评估中计算密集网格上所有已翻译子窗口的相似性”。

那句话让我觉得这更像是第一个解释。无论如何，我希望能更直观地了解 CNN 的不同部分如何结合在一起，从而在图像上表现得特别好。谢谢！