最大池化层和平均池化层图解

最新推荐文章于 2024-08-09 11:30:29 发布
最新推荐文章于 2024-08-09 11:30:29 发布
阅读量1.9w 收藏 22
点赞数 4
分类专栏： 图像与神经网络

在这里插入图片描述
因为maxpooling是获取最大值，
由于白色的像素值比较大，
黑色的像素值比较小
所以就手写图片而言，
maxpooling其实说获取黑色数字周围的白色部分，而不是获取黑色部分。

另外keras中相关概念：
GlobalMaxPooling1D
GlobalMaxPooling2D
GlobalMaxPooling3D
分别对应输入：
1D张量、2D张量、3D张量

转载自：
https://www.jianshu.com/p/796d30d7dcca

pytorch 常见的网络层（卷积层，池化层，线性层，激活函数）
qq_40107571的博客
09-01 1842
pytorch 常见的网络层（卷积层，池化层，线性层，激活函数）的介绍
pytorch学习笔记七：nn网络层——池化层、线性层
Dear_learner的博客
02-16 4709
一、池化层 池化运算：对信号进行“收集” 并“总结”，类似于水池收集水资源，因而得名池化层。 收集：由多变少，图像的尺寸由大变小 总结：最大值/平均值 下面是最大值池化和平均值池化的示意图： 最大值池化就是将滑动窗口中的最大值作为最终的结果；平均值池化是将滑动窗口的平均值作为最终结果。下面看一下pytorch中提供最大值和平均值池化的函数 1、nn.Maxpool2d nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, retur
matlab 进行图片压缩 （采用最大池化的方法）
明月朗，潇水寒
03-27 5209
先贴上效果图： 将读取图片，并将其赋给矩阵变量。并测算一下矩阵大小 im=imread('1.jpg'); imgsize = size(im); 将图片进行预处理。因为这里我们进行池化操作的过滤器的尺寸是 3 * 3。 所以对与一些图片尺寸的大小（长宽）不能为3整除的，我们需要进行处理。 while 1==1 if mod(imgsize(1),3)== 0 ...
最大池化操作
最新发布
RaltBergling的博客
08-09 438
最大池化（Max Pooling）是一种在卷积神经网络（CNN）中常用的操作，主要用于减小特征图的尺寸，从而降低计算量，同时保留最显著的特征。最大池化通过取局部区域内的最大值来减少特征图的空间维度（即宽度和高度），而不改变通道数。在数学上，就是在每次池化核进行匹配时，取出输入数组里面的最大数字,用于存储输入数据特征。从效果上来看，有效地缩小特征图的空间尺寸，减少模型的计算复杂度，同时保留图像的重要特征，实际观感就相当于打了一层马赛克。
图片最大池化压缩算法 - 通信原理课程专利
Bugmaker's blog
12-16 581
作者：峰哥说的都队 问题背景 对于从摄像头获取的图片，如果直接进行传输需要很高的传输速率，我们需要对发送的图片做压缩处理。 解决原理 我们可以取相邻九个像素点为一个单元，对该单元进行操作，比如说均匀池化、最大池化，或者直接9取1 % 取像素点 im1=im(1:3:end,1:3:end,:); im2=im(2:3:end,1:3:end,:); im3=im(3:3:end,1:3:end,:); im4=im(1:3:end,2:3:end,:); im5=im(2:3:end,2:3:end,.
一图读懂-神经网络14种池化Pooling原理和可视化（MAX，AVE，SUM，MIX，SOFT，ROI，CROW,RMAC ）
toby001111的博客
08-22 9858
一图读懂-神经网络14种池化Pooling原理（MAX，AVE，SUM，MIX，SOFT，ROI，CROW,RMAC ）
P9：最大池化的使用
不错就是对的博客
01-13 243
PyTorch中：最大池化的使用
torch.nn模块之池化层详解
DIPDWC的博客
01-14 6263
torch中的池化层1. torch.nn模块中的池化层简介2. 池化的调用方式3. 图像池化演示3.1 最大值池化3.2 平均值池化3.3 自适应平均值池化 1. torch.nn模块中的池化层简介 池化操作的一个重要目的就是对卷积后得到的特征进行进一步处理（主要是降维），从而缓解计算时内存的压力。池化会选取一定大小的区域，将该区域内的像素值使用一个代表元素表示。如果使用平均值代替，称为平均值池化，如果使用最大值代替则称为最大值池化。这两种池化方式示意图如下图1所示。 图1 最大值和平均值池化示意图 在
全局平均池化
u012370185的博客
07-12 3万+
全局平均池化是在论文Network in Network中提出的，原文中全局平均池化的作用和优点： 思想：对于输出的每一个通道的特征图的所有像素计算一个平均值，经过全局平均池化之后就得到一个 维度==类别数 的特征向量，然后直接输入到softmax层 作用：代替全连接层，可接受任意尺寸的图像 优点：1）可以更好的将类别与最后一个卷积层的特征图对应起来（每一个通道对应一种...
一维卷积神经网络的池化图解
07-13
然后，从窗口中提取特征值的最大值（最大池化）或平均值（平均池化）作为输出。 对于最大池化，我们选择窗口中的最大值作为输出。在本例中，第一个窗口的输出为2，因为2是窗口[1, 2]中的最大值。 然后，我们将窗口...
机器学习——池化层
qq_24951479的博客
04-25 9903
池化层是深度学习中常用的一种层级结构，它可以对输入数据进行降采样，减少数据量，同时保留重要的特征信息。池化层通常紧跟在卷积层之后，可以有效地减少数据量和计算复杂度，提高模型的训练速度和泛化能力。
CNN网络结构——池化层和全连接层
小白一直白
08-10 8248
目录池化层为什么引入池化层概述为什么采用最大值方法实现过程全连接层概述全连接转为卷积 池化层 为什么引入池化层 通常，卷积层的超参数设置为：输出特征图的空间尺寸等于输入特征图的空间尺寸。这样如果卷积网络里面只有卷积层，特征图空间尺寸就永远不变。虽然卷积层的超参数数量与特征图空间尺寸无关，但这样会带来一些缺点。 空间尺寸不变，卷积层的运算量会一直很大，非常消耗资源。 卷积网络结构最后是通过全连接层输出分值向量的，如果空间尺寸一直不变，则全连接层的权重数量会非常巨大，导致过拟合。 前面几层的卷积层的输出存
动手学深度学习——池化层
橙子的博客
03-05 1552
1、二维最大池化 返回滑动窗口中的最大值 2、填充、步幅、和多个通道 池化层与卷积层类似，都具有填充和步幅； 没有可学习的参数； 在每个输入通道应用池化层以获得相应的输出通道； 输出通道数=输入通道数； 3、平均池化层 最大池化层：每个窗口中最强的模式信号 平均池化层：将最大池化层中的最大操作替换为平均； 4、总结 池化层返回窗口中最大或平均值； 缓解卷积层对位置的敏感性； 同样有窗口大小、填充和步幅作为超参数。 5、代码实现 """二维最大池化层和平均池化层""
卷积层与池化层
热门推荐
Aliz_
08-04 7万+
构建了最简单的网络之后，是时候再加上卷积和池化了。这篇，虽然我还没开始构思，但我知道，一定是很长的文章。 卷积神经网络（Convolutional Neural Layer, CNN)，除了全连接层以外（有时候也不含全连接层，因为出现了Global average pooling），还包含了卷积层和池化层。卷积层用来提取特征，而池化层可以减少参数数量。 卷积层 先谈一下卷积层的工作原理。...
池化层 (Pooling Layer) 原理与代码实例讲解
AI大模型应用之禅
06-08 751
池化层 (Pooling Layer) 原理与代码实例讲解 1.背景介绍 在深度学习和计算机视觉领域中,卷积神经网络(CNN)已经成为图像分类、目标检测和语义分割等任务的主流模型。CNN 由多个卷积层和池化层组成,这些层共同构建了一个强大的特征提取器。其中,池化层(Po
卷积神经网络——池化层学习——最大池化
Alex
10-05 5万+
池化层（Pooling layers） 除了卷积层，卷积网络也经常使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性，我们来看一下。 先举一个池化层的例子，然后我们再讨论池化层的必要性。 假如输入是一个4×4矩阵，用到的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，我把这个区域用不同颜色来标...
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
阿旭的博客
12-15 4717
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
池化层（pooling layer）
csdn_xmj的博客
04-27 1万+
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
什么是全局平均池化，全局最大池化
thequitesunshine007的博客
07-17 1万+
下面举个例子，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。 即对于每一层的6x6=36个像素点，计算这36个像素点的均值（最大值），由于共有10层，所以共得到10个数据。 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。 ...
评论 2
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