cnn系列文章四 --池化层和简单卷积网络示例

cnn系列文章三 --padding和strides详解

一句歌词继续中:

《霜雪千年》
苔绿青石板街
斑驳了流水般岁月
小酌三盏两杯
理不清缠绕的情结

典型的卷积神经网络

• convolution (Conv) 卷积层
• pooling (pool) 池化层
• fully connected (FC) 全连接层

池化层

1. max pooling(最大池化)

简单的说就是使用过滤器对图像进行区域分割，然后输出每个区域的最大值。

比如下图使用$2\times 2$的过滤器，选择步长为2，则然后输出$\frac{4-2}{2}+1=2$即$2\times 2$的图像，每个像素点的值为原图像中过滤器覆盖区域的最大值

最大池化的直观理解：

还记得垂直边缘检测的例子吗，在边缘处，输出图像的值很大。也就是说，当输出图像的值很大时，意味着提取了某些特征。

而最大池化的操作就是，只要在任何一个象限中提取到某个特征，就都会保留到最大池化的输出结果中。如果提取到某个特征，则保留其最大值，比如上图中左上角的9，而如果为提取到特征，则最大池化后的输出仍很小，比如右上角的2.

在实际工作中，加入最大池化后，通常网络表现的会很好。

注意当有多个通道时：是对每一通道分别进行最大池化操作，不会改变图像的通道数目。