Global average Pooling

最新推荐文章于 2023-05-26 11:27:23 发布
最新推荐文章于 2023-05-26 11:27:23 发布
阅读量599 收藏
点赞数
分类专栏： 机器学习

最近在看关于cifar10 的分类的识别的文章

在看all convolution network 中看到中用到一个global average pooling 


下面就介绍一下global average pooling 

这个概念出自于 network in network 

主要是用来解决全连接的问题，其主要是是将最后一层的特征图进行整张图的一个均值池化，形成一个特征点，将这些特征点组成最后的特征向量

进行softmax中进行计算。

举个例子

假如，最后的一层的数据是10个6*6的特征图，global average pooling是将每一张特征图计算所有像素点的均值，输出一个数据值，

这样10 个特征图就会输出10个数据点，将这些数据点组成一个1*10的向量的话，就成为一个特征向量，就可以送入到softmax的分类中计算了


上图是从PPT中截取的对比全连接与全局均值池化的差异

原文中介绍这样做主要是进行全连接的替换，减少参数的数量，这样计算的话，global average pooling层是没有数据参数的

这也与network in network 有关，其文章中提出了一种非线性的 类似卷积核的mlpconv的感知器的方法，计算图像的分块的值

可以得到空间的效果，这样就取代了pooling的作用，但是会引入一些参数，但是为了平衡，作者提出了使用global average pooling


下面是network in network 中的摘取


下图是是一个基于MLP的局部计算，最后使用global average pooling 的network in network 的结构图

This is bill
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Max Pooling和 Average Pooling的区别，使用场景分别是什么？
01-07
池化操作时在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操作，但是近些年比较主流的ImageNet上的分类算法模型都是使用的max-pooling，很少使用average-pooling，这对我们平时设计模型...
全局平均池化（Global Average Pooling）
梁小憨憨的博客
02-08 1万+
最近看论文，看到了全局平均池化，之间见过这东西，但是没有仔细了解，今天学习一下，并记录下来，方便以后查阅。
Global Average Pooling
FanJin的博客
04-01 1万+
CNN的变种有很多，除了CNN进化史上经典的那几种Net，还有一些网络根据实际问题的不同需求，对其中某些Layer进行修改。 本文的问题源于一篇关于肺部CT的CNN的文章（ShuoWang,et al. Predicting EGFR mutation status in lung adenocarcinoma on computed tomography image using deep ...
Global Average Pooling全局平均池化的一点理解
qq_23304241的博客
05-12 5万+
  Traditional Pooling Methods 要想真正的理解Global Average Pooling，首先要了解深度网络中常见的pooling方式，以及全连接层。 众所周知CNN网络中常见结构是：卷积、池化和激活。卷积层是CNN网络的核心，激活函数帮助网络获得非线性特征，而池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。深度网络越往后面越能捕...
pytorch 学习 | 全局平均池化 global average pooling 实现 和作用优点解析
weixin_43960370的博客
03-27 1683
如果有一批特征图，其尺寸为 [ B, C, H, W], 我们经过全局平均池化之后，尺寸变为[B, C, 1, 1]。在一些论文中，我们可能会看到全局平均池化操作，但是我们从pytorch官方文档中却找不到这个API，那我们应该怎么办？也就是说，全局平均池化其实就是对每一个通道图所有像素值求平均值，然后得到一个新的1 * 1的通道图。或者自适应最大池化也可以，一样。明白这个思路之后，我们就可以很容易实现全局平均池化了。, 作用和优点什么的，都讲的很清楚。首先我们简单理解全局平均池化操作。
max pooling with dropout
03-31
在matlab上实现了具备max pooling和dropout功能的convolutional neural network，并附带MNIST数据集，可以直接运行测试。 时间有限，仅有1层convolution和1层pooling。
PyTorch的自适应池化Adaptive Pooling实例
09-18
今天小编就为大家分享一篇PyTorch的自适应池化Adaptive Pooling实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Keras自定义实现带masking的meanpooling层方式
09-16
主要介绍了Keras自定义实现带masking的meanpooling层方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
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
最新发布
修行之路
05-26 9087
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
【深度学习】global pooling (全局池化)
热门推荐
JNing
04-24 5万+
【深度学习】global pooling (全局池化)
dl----算法常识100例
writ的博客
03-09 1148
1.depthwise卷积&&Pointwise卷积 depthwise与pointwise卷积又被称为Depthwise Separable Convolution，与常规卷积不同的是此卷积极大地减少了参数数量，同时保持了模型地精度，depthwise操作是先进行二维平面上地操作，然后利用pointwise进行维度上的更新。2. 1*1的卷积核有什么作用 实现不同通道数据之间的计算，降维、升维、跨通道交互、增加非线性，大大减少了参数量，其次，增加的1X1卷积后面也会跟着有非线性激励，这样同时也能够提升网
0_2_5-池化层的反向传播-MaxPooling、AveragePooling、GlobalAveragePooling
default
09-11 3443
依赖知识 约定说明 前向传播 Max Pooling和Average Pooling Global Max Pooling和Global Average Pooling 反向传播 Max Pooling Average Pooling Global Max Pooling Global Average Pooling 依赖知识 a) 熟悉全连接层、损失函数的反向传播 ...
全局平均池化（Global average pooling, GAP）
qq_40734883的博客
03-01 2339
全局平均池化（Global average pooling, GAP）
深度学习 Global average pooling (GAP) 全局平均池化
puspos的博客
09-01 2008
Global average pooling 之前 如何分类 cnn中通常在最后分类时，最后用全连接层接softmax激活函数进行分类。 最后一层卷积通过卷积得到全连接的输入 最后一层的卷积得到的feature map为(channels_in, h,w)，通过一个卷积核(channels,h,w)，得到一个神经元即(1,1,1)。若全连接层的输入要求有1024个神经元，则需要1024个卷积核。 存在的问题 全连接参数量过大，降低了训练的速度，且很容易过拟合 Global average pooling
global average pooling
05-14
Global average pooling (GAP) is a pooling operation in deep learning that calculates the average value of each feature map in a convolutional neural network (CNN), resulting in a single value per ...

“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