• 博客园logo
  • 会员
  • 众包
  • 新闻
  • 博问
  • 闪存
  • 赞助商
  • HarmonyOS
  • Chat2DB
    • 搜索
      所有博客
    • 搜索
      当前博客
  • 写随笔 我的博客 短消息 简洁模式
    用户头像
    我的博客 我的园子 账号设置 会员中心 简洁模式 ... 退出登录
    注册 登录

LR233

  • 博客园
  • 联系
  • 订阅
  • 管理

公告

View Post

3、池化层

1、池化层Pooling

1.1、降采样,减少计算负荷、内存使用、参数数量(防止过拟合),减少图像的数据量,提升识别效率(将线条组合起来,就可以识别局部图像)

  主要是针对全连接层的参数减少,将全连接层上传神经元个数变少,特征图大小变小

1.2、减少输入图片大小也使得神经网络可以经受一点图片平移,不受位置的影响

1.3、长和宽两倍小,面积四倍小,丢掉75%的输入值

1.4、一般情况下,池化层工作于每一个独立的输入通道,所以输出的深度和输入的深度相同

 

2、参数

  池化不需要进行参数的学习,池化神经元没有权重值,只是通过求最大或者求平均值来进行降采样。

  一般是取最大,值越大说明蕴含的信息越重要。

  常见2*2的池化核,步长为(2,2),没有填充padding,只有最大值往下传递,其他输入被丢掉了。

  池化不需要设置通道数,只需要设置面积就行。

 

3、解释

  卷积后的图像通常很大,也可能提取很多弱的特征,因此需要进行压缩降维。

  池化的原理就是对一块区域内的结果取等效值,可以是取最大值,也可以取平均值。(一般是从2*2的区域内取值)

  池化可以加快运算速度,也可以很大程度避免过拟合的发生,提高神经网络的泛化能力。

  池化层通过减小输入的大小来降低输出值的数量。

 

4、最大池化(Max Pooling)

    

5、平均池化(Average Pooling)

  取平均值

 

posted on 2022-10-27 11:06  LR233  阅读(371)  评论(0)    收藏  举报

刷新页面返回顶部
 
博客园  ©  2004-2025
浙公网安备 33010602011771号 浙ICP备2021040463号-3