深度学习|卷积神经网络之池化层
池化层
设任意二维数组 X 的 i 行 j 列的元素为 X[i, j] 。如果我们构造的卷积核输出 Y[i, j]=1 ,那么说明输⼊入中 X[i, j] 和 X[i, j+1] 数值不一样。这可能意味着物体边缘通过这两个元素之间。但实际图像⾥里,我们感兴趣的物体不会总出现在固定位置:即使我们连续拍摄同⼀个物体也极有可能出现像素位置上的偏移。这会导致同⼀个边缘对应的输出可能出现在卷积输出 Y 中的不同位置,进而对后面的模式识别造成不便。
池化层的作用
为了缓解卷积层对位置的过度敏感性
二维最大池化层和平均池
原创
2020-08-02 09:33:12 ·
746 阅读 ·
0 评论