李沐-26 网络中的网络 NiN【动手学深度学习v2】

主要记载关于全局平均池化层(Global Average Pooling, GAP)中如下两点的理解:

1.  GAP的原理

2.  相对于全连接层,GAP具有更少的参数

为了直观地说明全局平均池化层相对于全连接层具有更少的参数,我们可以构造一个简单的例子。假设有一个卷积神经网络(CNN)的输出层前是一个特征图(Feature Map),其维度为 C×H×W,其中:

- C  是通道数(Channel Number),代表特征图的深度。
- H  和 W  分别是特征图的高度和宽度。

现在我们要将这个特征图映射到一个分类任务的输出向量,该向量的长度为N(代表类别数)。

1. **使用全连接层(FC)**:
   全连接层会对输入的每个样本(即特征图)的所有元素进行线性变换,生成输出向量。若特征图大小为C×H×W ,则输入的总元素数为C×H×W 。全连接层与输入的每个元素都对应一个权重,再加上一个偏置项,因此该全连接层所需的参数总数为:

其中,前一部分是权重参数,后一部分是偏置参数。

2. **使用全局平均池化层(GAP)**:
   全局平均池化层对每个通道(

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值