pooling layer(池化层)介绍及作用

最新推荐文章于 2024-03-22 17:24:10 发布
最新推荐文章于 2024-03-22 17:24:10 发布
阅读量1.2w 收藏 40
点赞数 10
分类专栏： 机器学习深度学习 文章标签： 机器学习 池化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/QFJIZHI/article/details/103329921
版权

1. 种类

常见的的池化层有最大池化(max pooling)和平均池化(average pooling):

池化

2. 作用

  1. 通过池化层可以减少空间信息的大小,也就提高了运算效率;
  2. 减少空间信息也就意味着减少参数,这也降低了overfit的风险;
  3. 获得空间变换不变性(translation rotation scale invarance,平移旋转缩放的不变性);

下面展示了不变性的例子,下面的例子摘抄于网上,不具有普适性,大家理解思想就好:
平移不变性质旋转不变性在这里插入图片描述

一些网络不用pooling的原因是想学习关于位置的信息.

3.具体操作

在这里插入图片描述以上图为例子说一下 maxpooling 的输入:
Input: H1 x W1 x Depth_In x Batch_SIze(这里为224x224x64x2,batch size其实没体现出来)
stride(步长为1)
kernel size(核的尺寸为(2, 2),所以池化之后特征图长宽变为1/2)

4. 想法

池化层属于网络的静态属性,不需要学习任何参数,所以是神经网络中比较简单的层.

QFJIZHI
关注
  • 10
    点赞
  • 踩
  • 40
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络与caffe Convolution层及参数设置
fabulousli的博客
10-22 3万+
卷积神经网络(Convolutional Neural Network, CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN的。CNN相较于传统的图像处理算法的优点之一在于，避免了对图像复杂的前期预处理过程（提取人工特征等），可以直接输入原始图像。图像处理中，往往会将图像看成是一个或多个的二维向量，如M
卷积神经网络CNN总结
02-24
卷积神经网络的层级结构数据输入层/Inputlayer卷积计算层/CONVlayerReLU激励层/ReLUlayer池化层/Poolinglayer全连接层/FClayer该层要做的处理主要是对原始图像数据进行预处理，其中包括：去均值：把输入数
池化层（pooling layer）
csdn_xmj的博客
04-27 9835
来源：Coursera吴恩达深度学习课程 除了卷积层，卷积网络也经常使用池化层（pooling layer）来缩减模型的大小（reduce the size of their representation），提高计算速度（speed up computation），同时提高所提取特征的鲁棒性（robust），下面来看一下。 上面是池化层的例子，假设输入是4×4矩阵，池化类型是最大池化（max pooling）。执行最大池化的树池是一个2×2矩阵。执行过程非常简单，把4×4的输入拆分成不同的区域（不同
DeepLearningDropout:带 dropout 的深度学习的 MATLAB 实现
07-10
三种类型的层： - C：卷积层（矩阵图） - MP：最大池化层（矩阵图） - F：全连接层（向量图） - O：输出层 卷积层： - 比例：比例（补丁大小） - 输出地图数量：outputMap - 共享权重：k - 偏差：b Max-pooling layer - Scale: scale (patch 的大小) - Max-coordinate matrix: k (1 if max, 0 if not) 全连接层（特征图的维度和数量保持不变） - 权重矩阵：w - 偏差：b 输出层（维度等于输出标签的维度） - 权重矩阵：w - 偏差：b 通用参数 - 结果：a - Delta：d
池化层概念
最新发布
qq_41327049的博客
03-22 285
通过池化操作，池化层可以实现对特征的不变性表示，即在图像被压缩时，被去掉的信息是一些不重要的信息，而留下的信息则是具有尺度不变型的特征，也是最能表达图像信息的特征。同时，池化层还可以去除冗余信息，将最重要的特征抽取出来，实现特征的降维。池化层（Pooling Layer）是深度学习神经网络中常用的一种层级结构，主要用于减小输入数据的空间尺寸，降低模型的计算复杂度，减少过拟合，并在一定程度上提取输入数据的重要特征。最大池化层（Max Pooling）：通过选取每个区域内的最大值来实现特征提取和降维的功能。
一个简单的卷积神经网络Python代码
11-18
卷积神经网络（Convolutional Neural Network，简称CNN）是一种专门用于处理具有类似网格结构数据的深度学习模型，例如图像、语音信号等。卷积神经网络是由Yann LeCun等人在上世纪90年代首次提出的，并在计算机视觉、语音识别、自然语言处理等领域取得了显著的成果。 卷积神经网络的基本结构包括三种类型的层：卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）。这些层可以组合成一个层次结构，形成一个深度网络。 卷积层：卷积层是CNN的核心部分，负责从输入数据中学习局部特征。它通过在输入数据上滑动一个滤波器（或卷积核）并执行卷积操作，从而捕捉局部特征。卷积层中的每个神经元都只与输入数据的一个局部区域相连，这大大减少了模型的参数数量。 池化层：池化层用于降低数据的维度，减少计算量并提高模型的泛化能力。池化操作可以是最大池化（Max Pooling）、平均池化（Average Pooling）等。池化层一般位于卷积层之后，负责对卷积层的输出进行空间下采样。
Google推出的深度学习框架TensorFlow（卷积神经网络）
03-02
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，专门设计用于处理和识别具有层级结构的输入，如图像和视频。CNN 在计算机视觉领域得到广泛应用，因为它们能够有效地提取图像中的特征，并对图像进行分类、检测和分割等任务。 CNN 的核心概念包括以下几个重要部分： 1. 卷积层（Convolutional Layer）：卷积层是 CNN 中的基本组件，通过应用卷积操作来提取图像中的特征。卷积操作是将卷积核（filter）与输入图像进行逐元素相乘，并将结果相加，以生成输出特征图。卷积核在整个输入图像上滑动，可以检测不同位置的特征。 2. 池化层（Pooling Layer）：池化层用于减少特征图的维度并保留最重要的信息。常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling），它们通过选择局部区域中的最大值或平均值来减少特征图的大小。 3. 激活函数（Activation Function）：激活函数在 CNN 中被引入以增加模型的非线性拟合能力。......
软件开发培训之深度学习基本概念和原理
02-13
第一阶段： 模拟人类神经元 感知机模型 第二阶段： 分布式知识表达 神经网络反向传播 非线性分类 卷积神经网络 第三阶段： 海量数据 计算性能大幅提升 深度神经网络兴起 一个标准的卷积神经网络，主要包括：输入层（Input Layer）、卷积层（Convolutional Layer）、池化层（Pooling Layer）、激活层（Activation Layer）、全连接层（Fully Connected Layer）、损失层（Loss Layer）。 深度学习框架：Caffe/Caffe2、TensorFlow、MXNet、PyTorch等。 基本原理： 1、神经网络由其权重来参数化。 2、损失函数用来衡量网络输出结果的质量。 3、将损失值作为反馈信号来调节权重。 4、前向传播与反向传播。 5、梯度下降法。
卷积神经网络：汇聚层
yiwangfl的博客
03-27 1656
汇聚层（Pooling Layer）是卷积神经网络（CNN）中的一种常用操作，其作用是对卷积层输出的特征图进行下采样（缩小特征图大小），从而减少计算量和参数数量，同时提取更为重要的特征。本文将介绍汇聚层的基本原理、实现方式以及常见类型。
最大池化层和平均池化层
qq_45193872的博客
04-20 1万+
参考链接： https://blog.csdn.net/junmuzi/article/details/53206600 https://blog.csdn.net/qq_21190081/article/details/72871704 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 概念： 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。 与卷积层类似，池化层运算符由一个固定形
【视频异常检测-论文阅读】Anomaly Detection in Video via Self-Supervised and Multi-Task Learning
小菜鸡的学习记录
07-24 3776
对象级别通过自监督和多任务学习来实现视频中的异常事件检测
mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化）的区别简介
修行之路
05-26 9319
mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化）的区别简介
池化层(pooling layer) & 感受野(Receptive Field) & 神经网络的基本组成
Flying Bulldog 的博客
05-26 4086
目录 （1）本文涉及的函数 （2）池化层 （3）感受野 （4）代码示例（含注释） 承接上两篇博客：卷积层(空洞卷积对比普通卷积)、激活函数层 （1）本文涉及的函数 import torch import torch.nn as nn from torch import autograd nn.MaxPool1d # 1 维最大池化（max pooling）操作 nn.MaxPool2d ...
池化层的作用
you 是 mine
05-20 1万+
max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似 tf.nn.max_pool(value, ksize, strides, padding, name=None) 参数是四个，和卷积很类似： 第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape 第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，
池化层（pooling）的反向传播是怎么实现的
Jason_yyz的博客
04-19 2万+
参考博客：https://blog.csdn.net/qq_21190081/article/details/72871704在看卷积神经网络的时候，突然想起来池化是会改变特征图的尺寸的，那反向传播是怎么实现的呢。于是搜了一些博客，感觉上面这个博客写得最清晰直观，就从这个博客里面搬了点东西过来作为笔记。Pooling池化操作的反向梯度传播CNN网络中另外一个不可导的环节就是Pooling池化操作，...
Caffe源码（六）: pooling_layer 分析
seven_first的博客
08-16 7461
目录目录 简单介绍 主要函数 LayerSetUp 函数 Reshape 函数 Forward_cpu 函数 Backward_cpu 函数简单介绍pooling_layer 是Layer 的子类，实现了pooling操作。其主要函数有LayerSetUp，Reshape，Forward_cpu， Backward_cpu。 主要函数1.LayerSetUp 函数：template <typenam
汇合层（Pooling 层）的作用
卖火柴的小男孩
02-28 3239
汇合层可以看成是一种用p-范数作为非线性映射的“卷积”操作。当p为正无穷时，就是最常见的最大值汇合。汇合层主要有三个功效： 1、特征不变性，汇合操作使模型更加关注是否存在某些特征而不是特征具体的位置，可以看做是一种很强的先验，是特征学习包含某种程度自由度，能容忍一些特征微小的位移。 2、特征降维。类似于做了维度约减，使模型可以抽取更广泛围的特征，减小了下一层输入大小，进而减小计算量和参数个数。...
卷积神经网络中卷积层、池化层、全连接层的作用
热门推荐
shinemyangel的博客
05-31 8万+
1. 卷积层的作用 卷积层的作用是提取输入图片中的信息，这些信息被称为图像特征。 2. 池化层的作用 chi'h 3. 全连接层的作用
详解Keras3.0 Layers API: Pooling layers （MaxPooling1D、MaxPooling2D、MaxPooling3D）
lymake的博客
12-12 809
【代码】详解Keras3.0 Layers API: Pooling layers （MaxPooling1D、MaxPooling2D、MaxPooling3D）
池化层和全连接层的作用
05-05
池化层（Pooling Layer）的作用是对卷积层的输出进行降维处理，以减少特征图的大小和参数数量，同时可以使得特征具有平移不变性。常见的池化方式有最大池化（Max Pooling）、平均池化（Average Pooling）等。池化层的主要作用是提取图像特征，同时减少计算量，加速模型的训练和预测。 全连接层（Fully Connected Layer）是神经网络中最常用的层之一，它的作用是将前面所有层的特征进行展平（Flatten）操作，然后与权重矩阵相乘并加上偏置，最终得到输出。全连接层可以实现对特征的非线性组合，并通过梯度下降法进行训练。全连接层常用于分类任务中的输出层，用于将特征转化为类别概率分布。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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