深層神經網路中使用卷積的優點：引數共享，稀疏連線，平移不變。

引數共享（Parameter Sharing）

準確的定義如下：

A feature detector (such as a vertical edge detector) that's useful in one part of the image is probably useful in another part of the image.

直觀的理解就是，一個卷積核，如果它適用於一幅圖片的左上角做邊緣檢測，則他也能適用於圖片的右下角。
卷積核的引數不需要改動，就能被適應，這就是所謂引數共享。

稀疏連線

（Sparsity of Connections）

準確的定義如下：

In each layer, each output value depends only on a small number of inputs.

直觀的理解就是，卷積輸出的每一個數值（畫素），只與卷積核大小的畫素值有關，與卷積核範圍之外的其它畫素無關。

平移不變（Translation Invariance）

即使把圖片移動幾個畫素，這張圖片依然具有非常相似的特徵。

怎麼理解呢？平移後，MaxPooling的輸出，在一定範圍內還是相同的（不變）。

結論

深層神經網路中使用卷積，可以通過引數共享

• 卷積層只需要很少的引數，就能連線兩個很大維度的特徵
• 全連線層，要連線兩個很大維度的特徵，引數會非常多

而有Pooling層的存在，神經網路具備平移不變這樣的性質，提高了泛化能力。