減少參數數量有三種方法:

1. 局部感受野
2. 全職共享
3. 池化

1. 感受野

• 概念： 卷積層中的每個神經元只連接到輸入圖像的一小塊區域（即局部感受野），而不是連接到整個輸入圖像的所有像素。

• 作用： 大幅減少了單個神經元所需的權重數量。相比於全連接網路中每個神經元都需要 784 個權重 (針對 28×28 圖像)，局部連接只使用一個小卷積核的權重（例如 3×3=9 個權重），極大降低了連接數。

全職共享

• 概念： 在同一層的特徵圖中，所有神經元都共用同一組權重（即同一個卷積核）。

• 作用： 一個卷積核只包含一組參數，透過在整個輸入圖像上滑動（卷積），它可以識別出圖像任何位置的相同特徵（例如「邊緣」）。無論圖像多大，卷積核的參數數量保持不變，因此大幅減少了需要訓練的獨立參數總數。

池化

• 概念： 池化層會對卷積層輸出的特徵圖進行降採樣，通常是取一個小窗口內的最大值（Max Pooling）或平均值（Average Pooling）。

• 作用： 直接減少了特徵圖的空間維度（例如 2×2 池化會使特徵圖的長寬各縮小一半）。由於後續層的輸入尺寸變小，連帶地也減少了後續層所需的參數數量和計算量。同時，它也提供了平移不變性。