[TensorFlow 学习笔记-07]池化函数(Pooling Function)

最新推荐文章于 2023-01-18 18:58:16 发布
最新推荐文章于 2023-01-18 18:58:16 发布
阅读量5.2k 收藏 3
点赞数
分类专栏： TensorFlow学习笔记 文章标签： TensorFlow 深度学习
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/caicaiatnbu/article/details/72803657
版权
本文介绍了池化在神经网络中的作用，作为卷积层后的降维手段，通过最大值或平均值池化保持平移不变性。讲解了Max Pooling和Mean Pooling的概念，并提及Stochastic Pooling。
摘要由CSDN通过智能技术生成

[版权说明]

TensorFlow 学习笔记参考：

李嘉璇 著 TensorFlow技术解析与实战

黄文坚 唐源 著 TensorFlow实战郑泽宇

顾思宇 著 TensorFlow实战Google深度学习框架

乐毅 王斌 著 深度学习-Caffe之经典模型详解与实战

TensorFlow中文社区 http://www.tensorfly.cn/

极客学院 著 TensorFlow官方文档中文版

TensorFlow官方文档英文版

以及各位大大的CSDN博客和Github等等...希望本系列博文没有侵犯版权！（若侵权，请联系我，邮箱：1511082629@nbu.edu.cn ）

欢迎大家转载分享，会不定期更新。鉴于博主本人水平有限，如有问题。恳请批评指正！


1. 池化(Pooling)概念

在神经网络中，池化函数(Pooling Function)一般在卷积函数的下一层。在经过卷积层提取特征之后，得到的特征图代表了比像素更高级的特征，已经可以交给分类器进行训练分类了。但是我们每一组卷积核都生成一副与原图像素相同大小的卷积图，节点数一点没少。如果使用了多个卷积核还会使得通道数比之前多的多！我靠，这维度不一下子上去了嘛。所以卷积之后我们需要进行池化，也就是进行降维。

池化操作是利用一个矩阵窗口在张量上进行扫描，将每个矩阵中的通过取最大值或者

最低0.47元/天 解锁文章
caicaiatnbu
关注
专栏目录
零基础机器学习-----tensorflow里池化Pooling详解
mine-Programmer
10-04 2744
池化Pooling max-pooling mean-Pooling（平均池化） stochastic-pooling（随机池化） 如图最常见的是，步长为二的窗口 我们一起来看图片中的左上角，1、8、7、1的最大值为8，故而，池化后的值，选取最大值为8 同样道理，以下方的蓝色四个值，1、8、7、1，他们四个的平均值为4.25 所以说，池化可以理解为进一步提取特征（在卷积之后），减少特征的数量 ...
池化函数(Pooling Function)
飘过的春风
09-22 1万+
1. 池化(Pooling)概念 在神经网络中，池化函数(Pooling Function)一般在卷积函数的下一层。在经过卷积层提取特征之后，得到的特征图代表了  比  像素   更高级的特征，已经可以交给 分类器 进行训练分类了。但是我们 每一组卷积核  都生成 一副与原图像素相同大小的  卷积图，节点数一点没少。如果使用了 多个卷积核  还会使得通道数比之前多的多！我靠，这维度
深度学习入门基础CNN系列——池化（Pooling）和Sigmoid、ReLU激活函数
最新发布
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
01-18 1873
池化是使用某一位置的相邻输出的总体统计特征代替网络在该位置的输出，其好处是当输入数据做出少量平移时，经过池化函数后的大多数输出还能保持不变。比如：当识别一张图像是否是人脸时，我们需要知道人脸左边有一只眼睛，右边也有一只眼睛，而不需要知道眼睛的精确位置，这时候通过池化某一片区域的像素点来得到总体统计特征会显得很有用。由于池化之后特征图会变得更小，如果后面连接的是全连接层，能有效的减小神经元的个数，节省存储空间并提高计算效率。
【Tensorflow】卷积神经网络（CNN）中Pooling层的种类介绍及函数使用
乐乐lelele的博客
01-24 4339
前言 深度神经网络中，最主要的结构就是逐层交替出现的卷基层和pooling层（池化层），卷积层主要用来提取特征，而pooling层主要用来对卷积的结果进行降维，其实也就相当于对图像进行下采样。 卷积神经网络中，按照下采样的方法，pooling操作可以分为Max-pooling（基于最大值池化）、Average-pooling（均值池化）和Stochastic-pooling（随机池化）。在te...
tf.nn.pool()使用例子：TensorFlow对一维数据进行池化
Tourior的博客
03-13 6265
tf.nn.pool()使用例子： 在tensorflow中对一维信号进行池化操作时使用，输入数据的维度为三维[batch , in_width, in_channels]。 原文链接： https://www.dotnetperls.com/pool-tensorflow import tensorflow as tf temp = [0., 0., 1., 0., 0., 0., 1....
CNN入门详解及TensorFlow源码实现--深度学习笔记
知行_那片天
05-03 8180
CNN入门详解及TensorFlow实现源码–深度学习笔记一、卷积神经网络1、简介卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷
Tensorflow学习笔记9-卷积神经网络CNN
weixin_40852935的博客
12-03 1168
这里写目录标题什么是卷积神经网络 CNN卷积convolution池化poolingFlatten流程流行的 CNN 结构 什么是卷积神经网络 CNN 我们先把卷积神经网络这个词拆开来看. “卷积” 和 “神经网络”. 卷积也就是说神经网络不再是对每个像素的输入信息做处理了,而是图片上每一小块像素区域进行处理, 这种做法加强了图片信息的连续性. 使得神经网络能看到图形, 而非一个点. 这种做法同时也加深了神经网络对图片的理解. 具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信
TensorFlow2.0学习笔记-5.数据构建
ruoqi23的博客
08-06 1352
5.数据构建 tf.data简介 面对一堆格式不一的原始数据文件？ 读入程序的过程往往十分繁琐？ 运行的效率上不尽如人意？ T e n so r F l ow提供了tf.data这一模块，包括了一套灵活的数据集构建API，能够帮助我们快速 、高效地构建数据输入的流水线 ，尤其适用于数据量巨大的场景。 tf.data包含三个类： • tf.data.Dataset类 • tf.data.TFRecordDataset类 • tf.data.TextLineDataset类 5.1.Da...
tensorflow入门笔记-03 mnisy.py注解
u012565113的博客
08-06 1234
LEARNING_RATE = 1e-4 def create_model(data_format): """Model to recognize digits in the MNIST dataset. Network structure is equivalent to: https://github.com/tensorflow/tensorflow/blob/r1.5/ten...
compact bilinear pooling(tensorflow版本)
08-23
compact bilinear pooling(tensorflow版本)，可用于细粒度分类，特征融合
tensorflow实现1维池化操作
aoheng0603的博客
04-03 718
参考：https://github.com/tensorflow/tensorflow/issues/9442 https://www.tensorflow.org/versions/r1.5/api_docs/python/tf/layers/MaxPooling1D 转载于:https://www.cnblogs.com/HITSZ/p/8711658.html...
一维和二维卷积和池化
Mr.horse的博客
07-24 3459
一维卷积的卷积核是二维的，二维卷积的卷积核是三维的（因为卷积要考虑深度，即通道数） 例如输入数据为(128,32,28,28)，128为batch size，32为channel，28和28是hight和width，如果采用二维卷积，卷积核大小为5*5，则实际上卷积核大小为32*5*5。如果输入数据为(128,32,28)，128为batch size，32为channel，28是width，如果采用一维卷积，卷积核大小为5，则实际上卷积核大小为32*5。 一维池化的池化核是一维的，二维池化的池化核是二
Tensorflow一些常用基本概念与函数（1）
热门推荐
lenbow的博客
08-08 15万+
摘要：本文主要对tf的一些常用概念与方法进行描述。
深入理解 PyTorch 的一维卷积和二维卷积，一维池化和二维池化
lch551218的博客
05-24 3301
PyTorch 的一维卷积和二维卷积的输入都可以是多维的 默认情况下，一维卷积只对输入的最后一维进行操作，二维卷积只对输入的最后两维进行操作； 如果想要对输入的倒数第二维度进行一维卷积，那么必须使用二维卷积进行操作，同时卷积核的第二个维度保持和输入数据的最后一个维度保持一致，这样就能保证卷积核在输入数据的倒数第二个维度上进行滑动了； 经过这样的卷积以后，输出数据的最后一个维度会变成1，这时一般会使用 unsqueeze() 函数删除数据的最后一个维度 上述思想对PyTroch中的一维池化和二维池化同样适用
池化函数小例子
cl2227619761的博客
05-02 787
""" 卷积后的特征图具有一种“静态性”的属性，为了描述全局性信息，需要对特征图不同位置的特征进行聚合 统计，例如，特征提取可以计算图像一个区域上的某个特定特征的平均值（或最大值）。相比使用所有提取到的特征， 这些概要统计特征维度更低，同时还会改善结果，不容易过拟合，这种聚合的操作就叫做池化。 加强卷积特征提取 TensorFlow池化运算的函数 tf.nn.max_pool(value, ks...
池化(Pooling)的种类与具体用法——基于Pytorch
weixin_60737527的博客
09-27 1万+
池化的种类、原理与基于Pytorch的具体用法
Tensorflow中常用的池化函数
二哥为啥不像程序员？
10-25 744
池化函数 在神经网络中，池化函数一般跟在卷积函数的下一层，池化操作是利用一个矩阵窗口在张量上进行扫描，将每个矩阵窗口中的值通过最大值或者平均值来减少元素的个数，每个池化操作的矩阵窗口大小是由ksize指定的，并且根据步长strides决定移动步长。 （1）计算池化区域中元素的平均值 tf.nn.avg_pool(value, ksize, strides, padding, data_format...
[tensorflow] 对一维卷积池化和二维卷积池化的新感悟
currycode
04-21 5358
首先上观点： 一维卷积的卷积核是二维的，二维卷积的卷积核是三维的 一维池化的池化核是一维的，二维池化的池化核是二维的 为什么卷积的时候卷积核维度多了一维呢？因为有通道（channel）的存在。比如对于语音处理中常用的特征MFCC，一般来说网络的输入是[timestep, num_mfcc],对其使用一维卷积，则有： import numpy as np import tensorflow ...
创新软分配位置-方向池化提升图像分类性能
本文探讨了在图像分类领域中一个创新的池化方法——Soft-Assignment Location-Orientation Pooling（SALOP）。传统的 Bag-of-Visual Words (BoW) 模型是图像分类中的关键组成部分，它通过将图像分割成局部特征（如...
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