2020年10月27日
（pytorch-深度学习系列）CNN中的池化层-学习笔记
摘要： CNN中的池化层 首先，池化（pooling）层的提出是为了缓解卷积层对位置的过度敏感性。 什么意思？ 比如在图像边缘检测问题中，实际图像里，我们的目标物体不会总出现在固定位置，即使我们连续拍摄同一个物体也极有可能出现像素位置上的偏移。这会导致同一个边缘对应的输出可能出现在卷积输出的边缘的不同位置， 阅读全文
posted @ 2020-10-27 10:23 巫山巫峡 阅读(1077) 评论(0) 推荐(0)