Maxpool和Avgpool选择

最新推荐文章于 2024-09-10 11:28:30 发布
最新推荐文章于 2024-09-10 11:28:30 发布
阅读量8.7k 收藏 18
点赞数 14
文章标签： 深度学习 pytorch 神经网络 机器学习
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/giganticpower/article/details/108035253
版权

池化层

池化层往往放在卷积层的后面。进行一个下采样的操作，这样的操作可以加快模型运行速度。分为两种，一种为最大池化，一种为平均池化

Maxpool

最大池化，
若核为2， 步长为1.
则在每一个2*2的区域内，选取最大值作为输出。
选取最大池化的想法是：
若我们需要的对象，偏向于纹理轮廓等特征。
选取最大池化可以过滤掉比较多的无用信息。特点更鲜明。

Avgpool

平均池化
若核为2， 步长为1.
则在每一个2*2的区域内，选取平均值作为输出。
选取平均池化的想法是：
若我们需要的对象偏向于整体特性，防止丢失太多的高维信息。

giganticpower
关注
  • 14
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
常见的几种池化操作：MaxPool2d/AdaptiveMaxPool2d/AvgPool2d/AdaptiveAvgPool2d...（Pytorch）
NorthSmile的博客
09-01 9830
case3：output_size=（H_out,None）或output_size=（None,W_out），此时指定为None的维度与输入中保持一致，既output_size=（H_out,None）时W_out=W_in；case3：output_size=（H_out,None）或output_size=（None,W_out），此时指定为None的维度与输入中保持一致，既output_size=（H_out,None）时W_out=W_in；因为执行的是最大池化操作，所以在填充时使用负无穷。
Darknet源码剖析第二讲：avgpool模块和maxpooling模型
wwxy1995的博客
03-20 731
实现的时候直接把layer定义为了avgpool_layer typedef layer avgpool_layer; image get_avgpool_image(avgpool_layer l); avgpool_layer make_avgpool_layer(int batch, int w, int h, int c); void resize_avgpool_layer(avgpool_layer *l, int w, int h); void forward_avgpool_laye.
池化层：最大池化MaxPool、平均池化AvgPool、自适应池化AdaptiveMaxPool区别--基于pytorch框架
weixin_48678602的博客
04-07 1万+
文章目录MaxPool2d最大池化AvgPool2d平均池化AdaptiveAvgPool2d自适应平均池化 池化操作的一个重要的目的就是对卷积后得到的特征进行进一步处理，池化层可以起到对数据进一步浓缩的效果，从而缓解计算时内存的压力。 在pytoch中提供很多池化的类，这里主要介绍最**大池化（MaxPool）、平均池化（AvgPool）、自适应池化（AdaptiveAvgpool）**的区别,，其他方法类似。 对于torch.nn.MaxPool2d()池化操作相关参数的应用，其使用方法如下所示 tor
【深度学习】MaxPool和Avgpool
lizhengx的专栏
02-14 1635
共同点 1. 都是降采样 不同点 1. 从前景和背景分离的角度，MaxPool对边缘梯度敏感（有纹理说明有梯度，否则每个点都一样就是伸手不见五指的黑夜里有一个黑人，啥都区分不了），容易选出分类辨识度更好的特征，适合在网络早期针对空间特征下采样。 2. AvgPool更多保留图像/特征图的整体特征信息，例如在FC全连接前的下采样，注意力模型SENet等。 ...
Tensorflow之卷积神经网络池化层max_pool和avg_pool
duanyuwangyuyan的博客
09-06 839
$ J_\alpha(x) = \sum_{m=0}^\infty \frac{(-1)^m}{m! \Gamma (m + \alpha + 1)} {\left({ \frac{x}{2} }\right)}^{2m + \alpha} \text {，行内公式示例} $
神经网络-最大池化Maxpool
weixin_51788042的博客
01-05 540
神经网络-最大池化Maxpool
Pytorch学习(四)MaxPool最大池化
weixin_44901043的博客
04-04 8514
文章目录前言一维池化函数原型参数说明代码示例二维池化函数原型参数说明代码示例 前言 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 一维池化 函数原型 torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False) 如果输入大小为(N,C,Lin) ，则输出(N,C,Lout)计算公式
nn.MaxPool2d与nn.AvgPool2d
10-13
nn.MaxPool2d和nn.AvgPool2d都是PyTorch中的池化层，用于减小特征图的尺寸，从而减少模型参数和计算量。它们的区别在于池化操作的方式不同。 nn.MaxPool2d会在池化窗口内取最大值作为输出，这样可以保留特征图中最...
【TensorFlow】TensorFlow函数精讲之tf.nn.max_pool()和tf.nn.avg_pool()
中科院AI算法工程师的博客
11-30 9811
（最大池化和平均池化）（附代码详解）
pytorch AvgPool2d函数使用详解
09-18
今天小编就为大家分享一篇pytorch AvgPool2d函数使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Max Pooling和 Average Pooling的区别，使用场景分别是什么？
01-07
池化操作时在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操作，但是近些年比较主流的ImageNet上的分类算法模型都是使用的max-pooling，很少使用average-pooling，这对我们平时设计模型...
max pool 是什么操作
Kp0fS的草稿纸
10-28 282
max pool 是什么操作 http
tf.nn.conv2d函数和tf.nn.max_pool函数介绍
dgs66009的博客
11-11 223
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 介绍参数： input：指卷积需要输入的参数，具有这样的shape[batch, in_height, in_width, in_channels]，分别是[batch张图片, 每张图片高度为in_height, 每张图片宽度...
卷积神经网络---池化层
weixin_45698190的博客
10-10 3458
在神经网络中，我们经常会看到池化层，常用的池化操作有四种：mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化），池化层有一个很明显的作用：减少特征图大小，也就是可以减少计算量和所需显存。 ***mean-pooling（平均池化）：***即对邻域内特征点只求平均 优缺点：能很好的保留背景，但容易使得图片变模糊 正向传播：邻域内取平均 反向传播：特征值根据领域大小被平均，然后传
PyTorch笔记 池化层 torch.nn.MaxPool2d
weixin_43826681的博客
11-05 441
官方文档：MAXPOOL2D 例：
Pytorch中最大池化层Maxpool的作用说明及实例使用（附代码）
热门推荐
m0_49963403的博客
03-26 2万+
卷积操作的卷积核是有数据（权重）的，而池化直接计算池化窗口内的原始数据，这个计算过程可以是选择最大值、选择最小值或计算平均值，分别对应：最大池化、最小池化和平均池化。比如，在图像识别的实际使用过程中，要识别一个图像中是否有“行人”，最大池化层就可以缓解“行人”的位置对输出带来的影响，可以把计算更主要地关注在“是否”有“行人”上。另外，由于最大池化能提取出特定窗口的最大数据，无论这个数据在窗口中的原始位置在哪，所以。最大池化可以提取出指定窗口的特征（最大）数据，显著减少了特征图（特征张量的大小），
池化层MaxPool函数详解及反向传播的公式推导
BrightLamp的博客
11-29 1万+
相关 配套代码, 请参考 : Python和PyTorch对比实现池化层MaxPool函数及反向传播 https://blog.csdn.net/oBrightLamp/article/details/84635308 正文 池化是一种尺寸缩小操作, 可以将大尺寸的图片缩小, 集约特征. 1. 池化层 MaxPool 函数的定义 本文约定矩阵元素的脚标从 0 开始. 当 X 为 m x n 矩阵,...
Maxpooling的作用
baidu_38634017的博客
06-22 2768
转载自：https://blog.csdn.net/weixin_41513917/article/details/102514739 Max Pooling是什么 在卷积后还会有一个 pooling 的操作。 max pooling 的操作如下图所示：整个图片被不重叠的分割成若干个同样大小的小块（pooling size）。每个小块内只取最大的数字，再舍弃其他节点后，保持原有的平面结构得出 output。 注意区分m
深度学习-目标检测(一)-R-CNN
最新发布
m0_73426548的博客
09-10 542
目标检测的暴力方法是从左到右、从上到下滑动窗口，利用分类识别目标。为了在不同观察距离处检测不同的目标类型，我们使用不同大小和宽高比的窗口。如下图所示： 这样就变成每张子图片输出类别以及位置，变成分类问题。但是滑动窗口需要初始设定一个固定大小的窗口，这就遇到了一个问题，有些物体适应的框不一样，所以需要提前设定K个窗口，每个窗口滑动提取M个，总共K x M 个图片，通常会直接将图像变形转换成固定大小的图像，变形图像块被输入 CNN 分类器中，提取特征后，我们使用一些分类器识别类别和该边界框的另一个线性回归器。这
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