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 × 2 2\times 2 2×2的过滤器,选择步长为2,则然后输出 4 − 2 2 + 1 = 2 \frac{4 -2}{2} + 1 = 2 24−2+1=2即 2 × 2 2\times2 2×2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。