卷积神经网络的平移等变性：从原理到证明

在深度学习领域，卷积神经网络（CNN）的平移等变性是公认的重要特性，但许多人对其背后的数学原理并不清楚。本文将从基础概念入手，系统阐述平移等变性的定义、重要性，并给出严格的数学推导，为后续研究CNN的等变性与不变性设计奠定扎实基础。

一、为什么需要关注等变性？

在机器学习中，我们通常追求模型的灵活性，希望它能学习任意复杂函数。通用逼近定理表明，只要参数足够多，神经网络可以逼近任何连续函数。然而，完全灵活也会带来问题：当训练数据有限时，存在大量“虚假”函数与真实函数在训练集上表现一致，导致模型过拟合、泛化能力差。

对灵活性施加合理约束是解决泛化问题的关键。卷积神经网络就是成功典范：与传统的MLP全连接网络相比，CNN通过卷积操作牺牲了部分灵活性，但获得了图像数据的平移等变性，这一特性使CNN在图像处理时能充分利用空间结构，显著提升泛化性能。

二、什么是平移等变性？

简单来说，等变性映射是指：当输入发生某种变换时，输出也按照相同规则发生相应变换。平移等变性则是等变性在平移操作下的具体体现。

具体而言，如果输入图像被平移了一定距离（例如向右移动若干像素），那么经过平移等变映射后得到的特征图，也会被平移相同的距离。如下图所示：

更直观地看下面的例子：

输入图像显示数字“4”，向右平移后得到另一个输入图像。特征图 A 和 特征图 B 分别是通过平移等变映射计算得到的。在这种情况下，将平移后的输入 图像 B 输入模型得到的特征图，等价于先将原始输入 图像 A 的特征图做相同的平移操作。