3、池化层

3、池化层1、池化层Pooling1.1、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

大家好,欢迎来到IT知识分享网。

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)

    3、池化层

5、平均池化(Average Pooling)

  取平均值

 

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/31313.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信