Некоторые причины, по которым бесконечные свёрточные нейронные сети (CNN) могут быть эффективнее классических нейросетей:

• Высокая производительность и гибкость. 1 CNN способны адаптироваться к данным различного размера и типа, могут выявлять локальные признаки при распознавании любых данных и их массивов. 1
• Способность распознавать объекты независимо от положения. 1 Даже если отслеживаемый предмет перемещается, искажается или частично скрыт, нейросеть идентифицирует его. 1
• Использование одних и тех же параметров фильтра для взаимодействия с разными типами данных. 1 Это увеличивает скорость работы и ускоряет обучение. 1
• Меньшее количество настраиваемых весов по сравнению с полносвязной нейронной сетью. 5 Одно ядро весов используется целиком для всего изображения, вместо того, чтобы делать для каждого пикселя входного изображения свои персональные весовые коэффициенты. 5
• Возможность изучать пространственные иерархии шаблонов. 4 Первый свёрточный слой изучает небольшие локальные шаблоны, такие как края, второй — более крупные шаблоны, состоящие из признаков, возвращаемых первым слоем, и так далее. 4

Таким образом, CNN отличаются от классических нейросетей структурой, которая позволяет выявить важные особенности изображений, не используя при этом ручного извлечения характеристик. 1