在卷积神经网络中通常会在相邻的卷积层之间加入一个池化层,池化层可以有效的缩小参数矩阵的尺寸,从而减少最后连接层的中的参数数量。所以加入池化层可以加快计算速度和防止过拟合的作用。 池化的原理或者是过程:pooling是在不同的通道上分开执行的(就是池化操作不改变通道数),且不需要参数控制。然后根据窗口大小进行相应的操作,池化的作用:
1、下采样(downsamping)。
2、降维,减少特征数量,减少网络参数。
3、防止过拟合。
有关池化层的具体参数使用可参考keras中文网:池化层 - Keras中文文档
一:池化层Pooling
最大池化
我们定义一个二维的矩阵(如2X2)窗口,在这个窗口中的像素取最大值后,重新生成一副图片,我们称之为最大池化。
同样的把所有的这个窗口中的数据相加并求平均数,就成为平均池化。