零基础机器学习-----tensorflow里池化Pooling详解

最新推荐文章于 2024-04-15 21:35:36 发布
最新推荐文章于 2024-04-15 21:35:36 发布
阅读量2.7k 收藏 1
点赞数 1
分类专栏： 机器学习 编程 python
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/qq_36444039/article/details/102082064
版权

池化Pooling

  1. max-pooling
  2. mean-Pooling（平均池化）
  3. stochastic-pooling（随机池化）
    在这里插入图片描述
    如图最常见的是，步长为二的窗口
    我们一起来看图片中的左上角，1、8、7、1的最大值为8，故而，池化后的值，选取最大值为8
    同样道理，以下方的蓝色四个值，1、8、7、1，他们四个的平均值为4.25
    所以说，池化可以理解为进一步提取特征（在卷积之后），减少特征的数量
    池化的特性：

平移不变性

在这里插入图片描述
如图，无论2在哪个位置，池化之后，2还是2，这叫平移不变性

最低0.47元/天 解锁文章
handsome programmer
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Tensorflow学习十一---池化与采样
weixin_45156079的博客
06-29 996
Tensorflow学习十一—池化与采样 Samping Samping 缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。 放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避免地受到影响。然而，确实有一些缩放方法能够增加图像的信息
fashion-mnist.rar
02-18
Fashion-MNIST数据集，作为经典的机器学习和深度学习资源，是MNIST数据集的一个替代品，旨在帮助研究者过渡到更复杂的图像识别任务。这个数据集由Zalando研究院创建，包含了10个类别共70,000张28x28像素的灰度图像，...
池化方法总结（Pooling） 和卷积 。 第三部分讲的很好
热门推荐
kebu12345678的博客
02-08 5万+
池化方法总结（Pooling） 2016-01-12 22:55 5033人阅读 评论(2) 收藏 举报  分类： deep learning（18）  目录(?)[+] 在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 为什么可以通过降低
一图读懂-神经网络14种池化Pooling原理和可视化（MAX，AVE，SUM，MIX，SOFT，ROI，CROW,RMAC ）
toby001111的博客
08-22 8570
一图读懂-神经网络14种池化Pooling原理（MAX，AVE，SUM，MIX，SOFT，ROI，CROW,RMAC ）
Tensorflow2.0笔记 - 卷积层Conv2D,最大值和均值池化层(MaxPool2D/ AveragePooling2D)，上采样层(UpSampling2D)
最新发布
vivo01的专栏
04-15 467
本笔记主要记录卷积层Conv2D,最大值和均值池化层(MaxPool2D/ AveragePooling2D)，上采样层(UpSampling2D)的相关内容。
Tensorflow实现卷积神经网络
奥特曼-QM的博客
02-27 1738
1.卷积神经网络简介 卷积神经网络网络（CNN）最初是为解决图像识别等问题设计的。在深度学习之前，主要借助SIFT。HoG等算法提取图像的特征，再结合SVM等机器学习算法进行图像识别。CNN被作为一个深度学习的架构降低了对图像数据预处理的要求，避免了复杂的特征工程，CNN可以直接使用图像的原始像素作为输入，在训练时自动提取最有效的特证。 在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每...
tensorflow 学习笔记（八）- 池化层（pooling)和全连接层(dense)
_提拉米苏的博客
01-16 1万+
tensorflow 学习笔记（八）- 池化层（pooling)和全连接层(dense) 一、池化层（pooling） 池化层定义在 tensorflow/python/layers/pooling.py. 有最大值池化和均值池化。 1. 最大池化层 tf.layers.max_pooling2d max_pooling2d( inputs, pool_size,
Faster-RCNN_TF.zip
07-06
TensorFlow是Google开发的一个开源的机器学习框架，广泛应用于各种机器学习任务，包括自然语言处理、图像识别和目标检测等。在Faster R-CNN的实现中，TensorFlow的强大计算能力和灵活的模型构建方式使其成为理想的...
cpp-LFFD一个用于边缘设备上的轻量快速人脸检测器
08-16
通常，这样的模型会采用深度可分离卷积（Depthwise Separable Convolution）、移动平均池化（Mobile Average Pooling）等技术来减少计算量和参数数量，从而提高运行速度。 **开发环境与语言支持** 作为C++实现的...
tensorflow-vgg-master
03-29
TensorFlow是Google开发的开源机器学习库，提供了一种灵活的环境来构建和部署各种机器学习模型。在VGG模型中，用户可以通过TensorFlow定义网络结构、损失函数、优化算法等，并利用其高效的GPU支持进行训练和推理。 ...
tensorflow-zh-master.zip
10-12
TensorFlow，由Google Brain团队开发，是一款开源的深度学习框架，被广泛应用于机器学习、人工智能和数据科学领域。"tensorflow-zh-master.zip"是一个包含TensorFlow中文版相关资料的压缩包，旨在为中文用户提供了更...
池化的计算
ncst
07-11 2万+
设置 H = height, W = width, D = depth 输入维度是 4x4x5 (HxWxD) 滤波器大小 2x2 (HxW) stride 的高和宽都是 2 (S) 新的高和宽的公式是： new_height = (input_height - filter_height)/S + 1 new_width = (input_width - filter
TensorFlow2的Conv1D, Conv2D,Conv3D机器对应的MaxPooling详解
星空下
01-05 2111
TensorFlow2对Conv1D, Conv2D, Conv3D都有详细的解释，针对公有的 卷积操作 主要参数进行说明一下： filters: 卷积核数目，卷积计算时折射使用的空间维度； kernel_size: 卷积核大小，要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape， 具体含义是[卷积核高度，卷积核宽度，图像通道数，卷积核个数]，要求类型与参数input相同。有一个地方需要注意的是，第三
pooling
zh_JNU的博客
07-04 613
#coding:utf-8 import numpy as np import sys import cv2 #####input_array.shape = (h,w,n_channels) def maxPooling2D(input_array,kenel_size=(2,2),strides=(2,2),pading='same'): origin_h, origin_w, n_...
Max Pooling和 Average Pooling的区别，使用场景分别是什么？
ytusdc的博客
02-20 2万+
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时确实有比较重要的参考作用，但是原因在哪里呢？ pooling作为一个对特征的操作，应该看具体任务。有论文提到，低层的网络对细节特征的响应...
stochastic pool
Losteng的博客
05-28 2310
看到很多的对CNN的改造的文章中都是对pool做东西，最近看到一个随机池化，就好奇的去看了一下 可以参看这篇文章 Stochastic Pooling for Regularization of Deep Convolutional Neural Networks 在caffe中是支持最大池化，均值池化，随机池化的 在使用中常见的是mean-pooling和max-poo
tensorflow(二)学习记录
09-19 2645
这个网络的结果是： input–>conv1–>relu–>maxpooling–>dropout–>conv2–>reul–>maxpooling –>dropout–>reshape–>innerproduct–>relu–>dropout–>innerproduct–>softmax_cross_entropy_with_logits pooling 和 convolution的strid
TensorFlow中max pooling层各参数的意义
weixin_30412167的博客
02-20 496
　　官方教程中没有解释pooling层各参数的意义，找了很久终于找到，在tensorflow/python/ops/gen_nn_ops.py中有写： def _max_pool(input, ksize, strides, padding, name=None): r"""Performs max pooling on the input. Args: input...
tensorflow之神经网络层：AveragePooling1D、average_pooling1d、Conv1D和conv1d
大雄没有叮当猫的博客
09-19 7763
1.tf.layers.AveragePooling1D Class AveragePooling1D:对一维的输入作平均池化 参数: pool_size:一个整数或者一个单个整数的tuple/list,表示池化窗口的大小 Strides:一个整数或者一个单个整数的tuple/list,指定池化操作的移动步幅 padding:一个字符串。padding的方法：”valid”或者’same...
第5关:池化--pooling layers
10-27
池化层是深度学习网络中的一种重要层级。它的作用是通过减少特征图的尺寸来减少参数数量和计算量，同时提取出特征图的主要特征。池化层一般紧跟在卷积层后面，它的输入是卷积层输出的特征图。 在池化层中，常用的池化操作是将输入的特征图划分为不重叠的子区域，然后在每个子区域中选择一个最大值或者求取平均值。这样做的好处是可以保留重要的特征，同时降低特征图的尺寸，减少后续层级的计算量。 对于最大池化操作，它会选择每个子区域中的最大值作为输出。这样做有助于保留图像的边缘、纹理等重要特征。对于平均池化操作，它会对每个子区域中的数值求取平均值作为输出。这样做可以模糊图像并保留整体的信息。 在池化层中，需要设置池化窗口的大小和步幅。池化窗口的大小决定了每个子区域的大小，而步幅则表示窗口在特征图上的平移间隔。通过调整这些参数，可以控制最终输出的特征图尺寸。 总而言之，池化层是深度学习网络中一种常用的层级，它通过减少特征图的尺寸来降低计算量，并提取出重要的特征。最大池化和平均池化是常见的池化操作，它们可以保留图像的重要信息。通过调整池化窗口的大小和步幅，可以控制最终输出的特征图尺寸。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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