卷积神经网络的输入输出尺寸问题(7)

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。