為什么是卷積、池化的交替進行？

卷積做的是特征提取，池化做的是一種降采樣。
早期學習的主要是：低級特征（邊緣、角點、紋理、顏色）。這些特征分布相對局部且空間位置信息很重要。
卷積將這些特征學習出來，然后通過池化降采樣，突出其位置信息。然后再卷積進行學習池化后的特征。

如果連續卷積不池化會怎樣？

第一、不斷地學習局部特征，不池化就無法學習到全局的信息。
第二、不斷卷積，計算量會很大，時間和內存消耗會很高

以卷積替代池化效果如何？

可行，且比較常見，在深層網絡運用較多
具體操作：nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=2, padding=1) 替代一個2x2 MaxPooling。

• 優點：
  卷積核有參數可學習
  卷積可以保持特征維度（增加通道數），而池化不改變通道數
• 缺點：
  最大池化具有一定的“平移不變性”，而卷積比較敏感，卷積對于定位是優勢，對泛化是劣勢
  卷積增加了參數和計算量
  最大池化會強化邊緣特征，卷積比較弱

綜合，總體來說效果持平或更優，建議早期層保留最大池化

為什么不分別做卷積池化，和池化卷積，通過結合做相互補充？

可行，后續一些網絡有這種思想的體現。

池化和縮放的底層邏輯有何不同，能否替代池化?

縮放，不具備特征提取的能力，他平等的對待所有信息包括噪音。縮放后的特征圖在空間上更敏感。
CNN的卷積層學習依賴于特征圖的空間結構和局部相關性。粗暴縮放會扭曲這種結構，會導致信息模糊和細節丟失，影響后續層的學習。

在卷積池化中插入全連接層，會不會效果更好？

錯誤，效果會非常差。
第一，卷積層輸出的特征圖是具有明確空間維度，全連接層的操作完全