pooling池化操作的代码详解

最新推荐文章于 2024-04-26 00:11:24 发布
最新推荐文章于 2024-04-26 00:11:24 发布
阅读量1w 收藏 23
点赞数 7
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/u011021773/article/details/54292061
版权

池化这个操作原理非常简单，相信大家都很容易搞懂，那么这篇博客就主要从代码来谈谈吧。

首先还是简单介绍一下原理（不是我偷懒想要简单介绍，是因为这个东西介绍起来本身就很简单偷笑）

所谓的池化目的就是抽象，把一大片面积总结成一个数，比方说一副100*100的图，我们每50*50的区域就取一个最大值，共计能取4个最大值，那么这个2*2的最大值图像就是池化后的图像了。

上图是一个20*20的图经过size为10步长也为10的池化，最后生成了一个2*2的图。其实最后生成的图与池化的size并没有什么直接关系，真正影响他的是池化的步长，也就是说这一操作不仅可以像上图那样紧挨着移动，还可以隔着几格移动，例如步长如果是11那么就是隔着一格移动了。当然也可以重叠的移动，例如步长是5那么每两个中间就重叠了五格。至于最后如果有出界的情况怎么

最低0.47元/天 解锁文章
蒙特卡洛家的树
关注
  • 7
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
池化层(Pooling)的实现
m0_46462695的博客
09-06 707
Pooling层的实现，forward和backward
【NLP】BERT的五种Pooling方法
fengdu78的博客
11-26 2595
BERT模型可以用于多个任务，也是现在NLP模型必备的方法。在文本分类中我们会使用[CLS]对应的输出完成文本分类，当然也有其他的方法。这样可以使用每个token对应的输出，通过pooling之后再进行分类。本文将介绍常见的几种与BERT搭建使用的方法。方法1：MeanPooling将每个token对应的输出计算均值，这里需要考虑attention_mask，也就是需要考虑有效的输入的token。...
各大池化Pooling操作，以及python实践，学习笔记
最新发布
weixin_41106546的博客
04-26 774
以上就是对于池化的简单了解。首先介绍了一下池化的基本知识，主要介绍的是最大池化和平均池化。然后通过代码的方式分别记录了使用自适应池化和非自适应池化的区别。池化作为深度学习中常用的一种方法，具有对于模型的优化具有重要意义。事实上，池化的种类是非常多的，但是在Pytorch中并未提供所有的方法。一方面我们可以根据Pytorch中已有的池化方法，调整其中的参数来实现我们想要的池化方法；另一方面，我们也应该学会在已有方案都无法实行的情况下，能够自己方法原理设计池化层。
Stochastic pooling随机池化代码实现
m0_51622811的博客
03-04 1097
Stochastic Pooling(随机池化) 随机池化Stochastic Pooling是Zeiler等人于ICLR2013提出的一种池化操作。随机池化的计算过程如下 先将方格中的元素同时除以它们的和sum，得到概率阵 按照概率随机选中方格 pooling得到的值就是方格位置的值 随机池化只需对特征图中的元素按照其概率值大小随机选择，即元素值大的被选中的概率也大，而不像max-pooling那样，永远只取那个最大值元素，这使得随机池化具有更强的泛化能力 import torch .
对CNN中pooling的理解
热门推荐
竭尽全力的专栏
11-25 2万+
自己在看论文的过程中结合网上的一些资料，对pooling的一些理解汇总如下，以供参考： 1、pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。 2、卷积神经网络中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。pooling
对CNN中pooling层（池化层）的理解
比比的博客
08-02 9760
自己在学习CNN过程中,查找网上一些资料,对pooling层有了一些理解,记录下来,也供大家参考: pooling层(池化层)的输入一般来源于上一个卷积层,主要有以下几个作用: 1.保留主要的特征,同时减少下一层的参数和计算量，防止过拟合 2. 保持某种不变性，包括translation(平移)，rotation(旋转)，scale(尺度),常用的有mean-pooling和max-pool...
PoolingNd层（Pooling层）1
08-03
在TensorRT中，PoolingNd层（也称为Pooling层）是一种用于神经网络的降采样操作，主要用于减少输入特征图的维度，同时保持其主要特征。它通常用于卷积神经网络（CNNs）中，以降低计算复杂度并提高模型的泛化能力。在...
深度学习+论文详解：FasterR-CNN原理与优势 深度学习原理.pdf
04-13
Fast R-CNN 结合 Spatial Pyramid Pooling 的最大池化方法，把 Selective Search 推荐出来不固定尺寸的图像统一对接到了同样维度的全链接层中计算。 Faster R-CNN Faster R-CNN 是对 Fast R-CNN 的改进，提出了一...
network in network
01-20
local patch 只采取传统卷积操作，属于线性操作，无法提取出非线性特征。多层感知机可拟合复杂函数。因此，将local patch提取的特征接入到多层感知机中，以提取出该local patch的隐藏特征。 mlp中的神经元对应1*1的...
Project5-goodexamples-2021fall-by廖铭骞1
08-03
- **池化层（Pooling Layers）**：减小数据尺寸，降低计算复杂性，通常有最大池化和平均池化。 - **扁平层（Flatten Layer）**：将多维特征图展平为一维，以供全连接层处理。 5. **优化与实现** - **卷积运算...
MaxPooling 最大池化简单实现
12-22
#!/usr/bin/env python2 # -*-coding:utf8-*- import numpy as np def max_pooling(feature_map, size=2, stride=2): """max_pooling""" channel = feature_map.shape[0] height = feature_map.shape[1] width = feature_map.shape[2] # 确定最后的输出形状 out_height = np.uint16((height - size) // stri
手写池化操作.zip
08-04
使用Python语言实现图片降采样常用的池化操作，实现了常见的最大池化和均值池化。
深度学习图池化中的画节点代码
GIOPPL的博客
10-24 166
import torch import networkx as nx import matplotlib.pyplot as plt ### 画图，将Graph以图片的形式展示出来 def drawGraph(edge_index: torch.Tensor, batch: torch.Tensor, batch_size=0): options = { #"font_size": 36, #"node_size": 3000, "node_colo
python中如何创建一颗多叉树_多叉树的设计、建立、层次优先遍历和深度优先遍历...
weixin_39668890的博客
12-11 4321
多叉树的设计、建立、层次优先遍历和深度优先遍历早起曾实现过一个简单的多叉树《实现一个多叉树》。其实现原理是多叉树中的节点有两个域，分别表示节点名以及一个数组，该数组存储其子节点的地址。实现了一个多叉树建立函数，用于输入格式为A B。A表示节点的名字，B表示节点的子节点个数。建立函数根据用户的输入，首先建立一个新的节点，然后根据B的值进行深度递归调用。用户输入节点的顺序就是按照深度递归的顺序。另外，...
图像的卷积和池化操作
weixin_34221036的博客
12-27 1080
离散域 卷积分为连续函数卷积及离散函数卷积，因为我们实际工作中多数情况下是数字化的场景，所以我们需要离散域的卷积操作。对于两个离散函数f和g，卷积运算是将连续函数的积分操作转换为等效求和： 卷积核 对于图像而言，它属于二维数据，那么它对应的就是2D函数，我们可以通过一个过滤器来过滤图像，这个过滤器即是卷积核。一般来说过滤器的每个维度可以包含2到5个元素，不同的过滤器有不同的处理效果。 对于图像来...
CNN中的maxpool到底是什么原理？
weixin_33904756的博客
08-02 739
首先细讲一下 Max pooling。 Max pooling 在卷积后还会有一个 pooling 的操作，尽管有其他的比如 average pooling 等，这里只提 max pooling。 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...
【概念理解】卷积（Convolution）与池化（Pooling）
Eniac0的博客
09-17 1万+
一、卷积（Convolution） 1.卷积的目的        卷积是为了提取图像特征，通过卷积层，可以自动提取图像的高维度且有效的特征 2.卷积的分类        卷积按步长可分为单位步长和非单位步长；按填充可分为有0填充和无0填充 二、池化（Pooling） 1.引入库 代码如下（示例）： import numpy as np import pandas as
2020CVPR-目标分割-SPNet-Strip Pooling Rethinking Spatial Pooling for Scene Parsing
CharmsLUO的博客
11-16 2443
论文下载：SPNet-paper:Strip Pooling: Rethinking Spatial Pooling for Scene Parsing 代码下载：SPNet-github:Strip Pooling: Rethinking Spatial Pooling for Scene Parsing 文章目录前言一、创新点二、主要内容1.背景2.具体方法2.1、 SPM——Strip Pooling Module2.2、MPM——Mixed Pooling Module总结 前言 Strip Po
空间金字塔池化keras代码
10-25
空间金字塔池化（Spatial Pyramid Pooling）是一种用于图像分类任务的特征提取方法，能够对不同尺度的特征进行池化。下面是一个使用Keras库实现空间金字塔池化的代码。 ```python from keras.models import Model from keras.layers import Input, concatenate, GlobalAvgPool2D, Dense from keras.layers.convolutional import Conv2D def spatial_pyramid_pooling(input, levels): pools = [] for level in levels: pool = GlobalAvgPool2D()(input) conv = Conv2D(level, (1, 1), activation='relu')(pool) pool = Conv2D(level, (1, 1), activation='sigmoid', name='level_' + str(level))(conv) pools.append(pool) output = concatenate(pools) return output # 定义输入层 input = Input(shape=(224, 224, 3)) # 定义空间金字塔池化层，设置3个不同尺度的池化级别 output = spatial_pyramid_pooling(input, [1, 2, 4]) # 定义全连接层，用于分类 output = Dense(10, activation='softmax')(output) # 构建模型 model = Model(input, output) # 输出模型结构 model.summary() ``` 在代码中，我们首先导入了Keras库的必要模块，然后定义了一个函数`spatial_pyramid_pooling`，该函数接收一个输入层和池化级别列表作为参数，返回一个特征提取层。在这个函数内部，我们使用了Keras提供的`GlobalAvgPool2D`函数来进行全局平均池化，这样可以处理不同尺度的特征。然后，我们使用了`Conv2D`函数来对每个池化层进行卷积操作，以增加特征丰富度。最后，将所有池化层的输出进行concatenate拼接。 接下来，我们定义了一个输入层，并将输入层作为参数传递给`spatial_pyramid_pooling`函数，设置了3个不同尺度的池化级别。然后，将输出层连接到全连接层，用于进行分类。最后，我们构建了模型，并使用`summary`函数输出模型结构。 以上就是用Keras实现空间金字塔池化的代码，该代码可以用于图像分类等相关任务中。

“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