a. 卷積操作的本質特性包括稀疏交互和參數共享，具體解釋這兩種特性及其作用。
- 稀疏交互（Sparse Interaction）
傳統神經網絡採用全連接方式，網絡層的輸入與輸出之間的連接關係由一個權值矩陣表示，其中每一個參數表示前後層中某兩個神經元節點之間的交互。對於全連接網絡，任意一個輸入節點均與輸出節點產生交互，由此形成稠密的連接關係。
而稀疏交互，則是指，任意輸出節點至於前一層特定的區域的節點產生交互，我們稱其爲稀疏交互（sparse interaction）。
2.參數共享（Parameter Sharing）
參數共享是指在同一個模型的不同模塊中使用相同的參數，它是卷積運算的 固有屬性。全連接網絡中，計算每層的輸出時，權值參數矩陣中的每個元素只作用於某個輸入元素一次；而在卷積神經網絡中，卷積核中的每一個元素將作用於 每一次局部輸入的特定位置上。根據參數共享的思想，我們只需要學習一組參數集合，而不需要針對每個位置的每個參數都進行優化，從而大大降低了模型的存 儲需求。
參考資料：
百面機器學習筆記 | 第九章：前向神經網絡 | 05 深度卷積神經網絡 (CNN)
b. 關於最大池化層，以下哪一項是正確的？
i. It allows a neuron in a network to have information about features in a larger part of the image, compared to a neuron at the same depth in a network without max pooling.
ii. It increases the number of parameters when compared to a similar network without max pooling.
iii. It increases the sensitivity of the network towards the position of features within an image.
答： iii
學習期間不對結果的正確性做100%保證，僅供參考