卷积可以用于特征提取，归一化可以用于提高模型的泛化能力，池化可以用于减少特征的维度。
卷积
卷积的目的，在于特征的提取。它的参数包括：
- 输入通道数：输入的特征图的通道数，例如RGB图像的通道数为3。
- 卷积核的个数 K(Number of Filters)：卷积核的个数，即输出通道数。
- 卷积核的大小 F(Filter Size)：卷积核的大小，例如3x3。
- 步长 S(Stride)：卷积核每次移动的步长。
- 填充 P(Padding)：在特征图的边缘填充。
K=1,F=3,S=1,P=0
上图，使用了3个卷积核，每个卷积核的步长为1，填充为0。卷积计算公式为：
我们可以把一维卷积理解为：
- 滑动窗口：卷积核在输入数据上滑动，每次覆盖一部分数据。
- 加权求和：每个窗口的数值乘以权重（卷积核），然后相加。
- 特征提取：通过卷积核的不同权重，可以检测输入信号中的模式或趋势。
K=2,F=3,S=2,P=1
归一化
归一化的目的，在于提高模型的泛化能力。它就像是给神经网络添加了一个“稳定器”，让模型更好地学习数据的本质特征，而不是被噪声干扰。下面，以 Batch Normalization 为例。
公式的每个部分都在服务于一个目标：让数据分布更加稳定，同时保持网络的表达能力。这就像是在管理一个复杂的信号处理系统，每个参数都有其特定的调节作用。
如上图示，如果输入值的尺度相差过大，或者分布不均匀，会导致尺度大的输入值对模型的影响更大，尺度较小的影响可能会被淹没，从而导致模型的训练不稳定。
正则化和归一化有相似之处，都在某种程度上约束了数值的取值范围。但是它们解决了不同的问题：
- 归一化是针对输入数据，让学习过程更加平稳和公平。
- 正则化是针对模型参数，让模型更加简单和泛化，解决过拟合问题。
池化
池化，本质上就是一个过滤器。它将一个区域的数据压缩（聚合）成一个值，而压缩的本质，就是一个降维的过程。这种处理，有利于减少特征的维度，提高模型的训练速度，同时，也有利于提高模型的泛化能力，增强模型的抗干扰能力。
降维通常可以通过两种方式实现：
- 最大池化，即取一个区域的最大值。通常用于提取图像的边缘特征。
- 平均池化，即取一个区域的平均值。通常用于提取图像的平均特征。
我们可以看到，池化操作将特征图的维度从 4x4 压缩到了 2x2。这个过程中，即使特征在图像中的位置略有偏移，池化后的结果仍然相似。而输入的微小变化，也不会对池化后的结果产生很大的影响。这也体现了池化操作的特征不变性。
参考链接
Flattening CNN layers for Neural Network and basic concepts
In-Depth Knowledge of Convolutional Neural Networks
Convolutional Neural Networks
cnn-explainer