鱼书记录7:
补充一点,tf中的卷积如果按照上图的公式的话:要看padding=valid是向下取整,而=same是向上取整
参考:快速理解卷积神经网络的输入输出尺寸问题
池化层的特征
1.没有要学习的参数
池化层和卷积层不同,没有要学习的参数。池化只是从目标区域中取最
值(或者平均值),所以不存在要学习的参数。
2.通道数不发生变化
经过池化运算,输入数据和输出数据的通道数不会发生变化。计算是按通道独立进行的。
3.对微小的位置变化具有鲁棒性(健壮)
一个卷积核只能完成某种逻辑的特征提取,当需要同时提取多种逻辑特征
时,可以通过增加多个卷积核来得到多种特征,提高神经网络的表达能力,这就是多通道
输入、多卷积核的情况。