一般来说，NN 无法达到 CNN 的性能。

通过神经网络，我假设您指的是基于“香草”向量的神经网络。

让我们以 MNIST 数据集为例，它在 NN 和 CNN 中的表现几乎相似；原因是几乎相同大小的数字和相似的空间图。简单地说，所有的数字大致占据与其他 60k 相同的区域。如果你要放大我们缩小这些数字，训练好的 NN 可能表现不佳。

为什么？

普通神经网络缺乏提取“位置无关”特征的能力。猫在你眼中就是一只猫，无论你是在图像的中心还是在左角看到它。CNN 使用“过滤器”来提取猫的“模板”。因此，CNN 可以“定位”它正在搜索的内容。

你可以说，NN 会查看“整体”数据以使其有意义，而 CNN 会查看某些部分的“特殊”特征以使其有意义。

这也是CNN受欢迎的一个原因。NN 适合自己的应用。矢量化神经网络中的每个输入节点都代表一个特征，并且该特征在整个训练过程中都与一个目的相关联，即它的位置在整个训练过程中都是固定的。

是的。理论上，单层神经网络可以计算任何函数。在实践中，这样的网络必须比具有同等功能的 CNN 大得多，因此更难训练。