AI编程-通道数和池化层

学习目标：卷积层的基本内容

1.里的多输入和多输出通道
2.池化层

学习内容：

通道数

一、多个输入通道
彩色图像有RGB三个通道，转化为灰度会丢失信息。每个通道都有一个自己的卷积核，结果是所有通道卷积结果的和，所以输出是一个单通道。
作用：输入通道核识别一些纹理、小的局部并根据特点组合输入中的模式，给下一个输入，慢慢的组合，并夸大自己识别的局部。
二、多个输出通道
对自己的输出通道都有一个自己的三维的卷积核，每个核生成一个输出通道，就形成了多个通道的输出。
作用：每个输出通道可以识别特定模式。
三、1*1卷积核
Kn=Kw=1是一个受欢迎的选择，它不识别空间信息，只是融合不同通道的信息，相当于一个全连接层，不考虑空间信息，只考虑通道的融合。

池化层

池化层的背景：由于积对位置太敏感（例如检测垂直边缘），需要一定的平移不变性。

1. 二维最大池化：不再做点积了，而是返回窗口中的最大值，以解决一定位置敏感，有一点的模糊化的效果。
2. 池化层与卷积层类似，都有填充和步幅。
3. 没有可学习的参数
4. 在每个输入通道应用池化层以获得相应的输出通道。（不融合其他通道）
5. 输入=输出，注意和卷积的不同。
6. 最大池化层：每个窗口最强的模式信号。
7. 平均池化层：将最大池化层中“最大”操作替换为“平均”。

学习时间：

• 周一晚上9点

总结

1.输出的通道数是卷积层的超参数，输入不是，
2.每个输入通道有独立的二维卷积核，所有通道结果相加得到一个输出通道结果。
3.每个输出通道有独立的三维卷积核。
4.池化层返回窗口中的最大值或者平均值。
5.池化层主要是缓解卷积层对位置的敏感性。
6.池化层同样有窗口大小、填充和步幅作为超参数。