在卷积神经网络中，有一个非常重要的特性：权值共享。

所谓的权值共享就是说，给一张输入图片，用一个filter去扫这张图，filter里面的数就叫权重，这张图每个位置是被同样的filter扫的，所以权重是一样的，也就是共享。

池化层

上图显示，池化就是对特征图进行特征压缩，池化也叫做下采样。选择原来某个区域的max或mean代替那个区域，整体就浓缩了。下面演示一下pooling操作，需要制定一个filter的尺寸、stride、pooling方式（max或mean）：

卷积神经网络（CNN）架构

卷积神经网络由多层组成，如输入层、卷积层、池化层和全连接层。

卷积层对输入图像应用滤波器以提取特征，池层对图像进行下采样以减少计算，全连接层进行最终预测。网络通过反向传播和梯度下降来学习最优滤波器。

卷积层的工作原理

卷积神经网络或covnets是共享其参数的神经网络。想象一下你有一个图像。它可以表示为具有其长度、宽度（图像的尺寸）和高度的长方体（即，作为图像的通道通常具有红色、绿色和蓝色通道）。

目前，对于高光谱遥感图像分类任务，一种是采用传统的方法，例如利用光谱特征的分类方法和数据的统计特征的分类方法，包括常用的 K 近邻算法以及支持向量机（Support Vector Machine，SVM）。但是，传统的方法一方面是没有考虑到高光谱图像丰富的空间信息，导致特征提取不够完整；另一方面是大多数方法基于手工特征，需要人工判别和标注，会花费较多的人力和时间。传统的浅层学习方法的局限性在于：它主要是提取分类器所需要的特征，而且提取的特征是面向领域知识的，这些都会造成分类精度不佳。

量子机器学习（QML）旨在使用量子系统对向量进行编码，并使用新的量子算法对其进行学习。

量子计算机将用于什么用途？量子计算机有望在许多领域帮助解决难题，包括机器学习。

本文详细讲述量子计算机上卷积神经网络（CNN）的理论实现。我们将此算法称为QCNN，我们证明了它可以比CNN

利用神经网络进行图片识别时，通常会将三通道图片转化为一维向量：
高度×宽度×3，当图片的像素较低时，在神经网络中，可以将整个向量作为神经网络输入。但是，处理高分辨率的图片时，图片的尺寸过于庞大，利用神经网络进行处理，显然是不现实的，为此，需要对图片进行卷积运算。

卷积运算

对于卷积的运算如下动态图表示：

想象一下，你正在享受一场精彩的魔术表演，魔术师用他的魔杖轻轻一挥，两张看似普通的纸片突然融合在一起，变成了一张全新的、包含两者图案的纸片。这听起来是不是很神奇？其实，这种现象在数学和工程领域中也有一个类似的版本，它就是卷积。