CNN中pooling层的作用

最新推荐文章于 2023-11-24 11:44:47 发布
最新推荐文章于 2023-11-24 11:44:47 发布
阅读量5.5k 收藏 1
点赞数
分类专栏： deep learning 文章标签： deep learning cnn
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/byplane/article/details/52422997
版权


1.引入了位移不变性，更关注是否存在某些特征而不是特征具体的位置。比如最常见的max pooling，因为取一片区域的最大值，所以这个最大值在该区域内无论在哪，max-pooling之后都是它，相当于对微小位移的不变性。


2.减小下一层输入大小，减小计算量和参数个数，这个作用是最直观的了。


3. 获得定长输出。改变输出的维度。

4. 防止过拟合或有可能会带来欠拟合。（这个有待进一步学习）

plane0654
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度理解机器学习13-CNN的应用领域
clayhell的博客
02-08 3417
CNN的应用领域
池化层 pool
明月清风
12-03 2359
池化层 pool 池化层，可以降低数据体的空间尺寸，这样的话就能减少网络中参数的数量，使得计算资源耗费变少，也能有效控制过拟合。 最常见的形式是池化层使用尺寸 2×22 \times 22×2 的滤波器，以步长为 222 来对每个深度切片进行降采样，将其中 75%75\%75% 的激活信息都丢掉。 平均池化历史上比较常用，但是现在已经很少使用了，因为实践证明，最大池化（MAX操作）的效果比平均池化...
卷积神经网络CNN特点功能及其缺陷
热门推荐
qq_43232556的博客
06-22 4万+
卷积神经网络CNN特点功能及其缺陷卷积神经网络（CNN）中的模块及其功能作用CNN的目的特征卷积与特征提取卷积的特点：局部感知、参数共享、多核Down-Pooling多层卷积池化激活函数的意义LRN的催化与抑制Dropout的作用卷积神经网络中的局部连接卷积神经网络中的权值共享卷积神经网络的平移不变性卷积的缺陷坐标建模的任务上（如目标检测、图像生成等）的缺陷 卷积神经网络（CNN）中的模块及其功能作用 CNN的目的 CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测或决策
汇合层（Pooling 层）的作用
卖火柴的小男孩
02-28 3256
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。...
CNN的作用
weixin_41295283的博客
09-17 2654
1、输入层 与传统神经网络/机器学习一样，模型需要输入的进行预处理操作，常见的输入层中预处理方式有： 去均值 归一化 PCA/SVD降维等 2、卷积层 提取特征，通常或产生超高的维度 3、激励层 所谓激励，实际上是对卷积层的输出结果做一次非线性映射。 　　如果不用激励函数（其实就相当于激励函数是f(x)=x），这种情况下，每一层的输出都是上一层输入的线性函数。容易得出，无论有多少神经网络层，输出都...
08_Pooling层的作用以及如何进行反向传播1
08-03
**Pool层在卷积神经网络(CNN)中的作用与反向传播** CNN网络中的Pool层，通常分为平均池化(Average Pooling)和最大池化(Max Pooling)，其主要目标是减少数据维度，提高模型的泛化能力，并引入不变性特性。在反向传播...
CNN-pooling-strategy.rar_卷积池化_高光谱_高光谱 matlab_高光谱cnn
07-15
基于卷积层和池化层的卷积深度网络被执行，该框架可以有效地识别灰度图像，彩色图像和高光谱图像。
在Keras中CNN联合LSTM进行分类实例
09-16
在上述代码中，CNN部分由多个卷积层、池化层和激活函数组成，形成了一个特征提取网络。LSTM层接收CNN输出的特征向量，进一步处理序列信息。最后，模型可能会连接一个全连接层（未在给出的代码中展示），用于分类任务...
解决Keras中CNN输入维度报错问题
09-16
总结来说，解决Keras中CNN输入维度报错的关键在于理解数据的维度结构，并确保模型的每一层配置都与输入数据的形状相匹配。这包括但不限于输入层的input_shape设置、卷积核的形状、池化层的参数以及在全连接层前是否...
cnn卷积神经网络PPT详解
08-11
作为一名 IT 行业大师，我将详细解释 CNN 卷积神经网络的知识点，涵盖标题、描述、标签和部分内容中的相关信息。 卷积神经网络（CNN） 卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习算法，...
简述cnn优点及cnn各个层作用
qq_42495866的博客
03-06 1万+
CNN优点： CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于...
第六章.卷积神经网络(CNN)—卷积层(Convolution)&池化层(Pooling)
weixin_45116749的博客
02-20 4510
第六章.卷积神经网络(CNN)—卷积层(Convolution)&池化层(Pooling)
CNN（卷积神经网络）
鲨鱼儿的博客
05-07 7721
一、卷积神经网络 1、CNN的基本知识 1、卷积神经网络(Convolutional Neural Networks，CNN)的作用： 1.cnn跟全连接的区别：原来一个输出神经元的计算是跟所有输入层的神经元相连，现在只是局部输入层的 神经元相连；同一所个通道中所有神经元的计算共享同一组权重和偏置 CNN可以有效的降低 传统深...
池化层-Pooling(CNN卷积神经网络)
西小庄村高伟 的博客
10-10 2833
卷积神经网络中的池化(Pooling)操作，最大池化层与平均池化层
【深度学习】CNN中pooling层的作用
最新发布
TwcatL_tree
11-24 942
(1) translation invariance：这里举一个直观的例子(数字识别)，假设有一个16x16的图片，里面有个数字1，我们需要识别出来，这个数字1可能写的偏左一点(图1)，这个数字1可能偏右一点(图2)，图1到图2相当于向右平移了一个单位，但是图1和图2经过max pooling之后它们都变成了相同的8x8特征矩阵，主要的特征我们捕获到了，同时又将问题的规模从16x16降到了8x8，而且具有平移不变性的特点。图中的a（或b）表示，在原始图片中的这些a（或b）位置，最终都会映射到相同的位置。
CNN：卷积神经网络的原理，卷积、归一化、池化等
航空界的小爬虫
12-03 8284
零、巴拉巴拉 参考视频链接(号称最好的卷积神经网络讲解视频)： https://www.bilibili.com/video/av16175135?from=search&seid=183876657971548042 本文仅介绍CNN的工作原理 一、前言 1.1、CNN的作用 简单的讲，CNN的功能即为一个处理黑箱。输入一张图片的像素信息，经过CNN处理之后，输出该...
[中级]卷积神经网络中的CNN是啥？
私信可回答各种问题~
05-23 1063
对卷积神经网络中的CNN进行一定基础的介绍，便于读着更好的掌握CNN
对CNN中pooling的理解
竭尽全力的专栏
11-25 2万+
自己在看论文的过程中结合网上的一些资料，对pooling的一些理解汇总如下，以供参考： 1、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。 2、卷积神经网络中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。pooling
ROIPooling层
05-29
ROIPooling层是在深度学习目标检测中经常使用的一种池化层，主要用于将不同大小的感兴趣区域（Regions of Interest...ROIPooling层通常用于基于深度学习的目标检测算法中，如Fast R-CNN、Faster R-CNN、Mask R-CNN等。

“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