keras学习记录——resnet为什么用averagepooling？

keras学习记录——resnet为什么用averagepooling？

---

目录

keras学习记录——resnet为什么用averagepooling？

前言

一、池化层

二、为什么在resnet后加均值池化而不是最大池化？

三、实际测试

总结

---

前言

本篇主要讨论resnet最后的pooling层为什么用averagepooling,而不是maxpooling?

主要用实验来回答这个问题，另外讲解了averagepooling和maxpooling的优缺点，并做了一些猜测（科研需要猜测，哈哈）

---

 

一、池化层

主要分为两种：averagepooling和maxpooling。

最大池化提取边缘等“最重要”的特征，而平均池化提取的特征更加smoothly。对于图像数据，你可以看到差异。虽然两者都是出于同样的原因使用，但我认为max pooling更适合提取极端功能。平均池有时不能提取好的特征，因为它将全部计入并计算出平均值，这对于对象检测类型任务可能不好用。引自：最大池化和均值池化的优缺点

二、为什么在resnet后加均值池化而不是最大池化？

猜测1：提取全局信息时适用于averagepooling，如分类；而提取局部信息时适用maxpooling,如roi pooling。

猜测2：在pooling层后面直接接上全连接层，全连接层在训练时是比较容易过拟合的，而averagepooling可以起到正则化的作用，正好可以防止过拟合。

猜测3：resnet不是采用传统的连通层进行CNN分类，而是设置了一些特别的通路将特征相加起来，因此看起来平均或许能更好的提取所需特征。

三、实际测试

本博客使用本人之前的博客中提到的网络，若有兴趣请转keras学习记录——训练resnet模型对cifar10分类，分别以averagepooling和maxpooling做训练，得出实验数据。

图中0_acc和0_vla_acc分别为averagepooling对应的训练集和验证集的准确率，case0_acc和case0_vla_acc分别为maxpooling对应的训练集和验证集的准确率。由图可知，在resnet中averagepooling相较于maxpooling，效果要好。

---

总结

学习了pooling相关的知识，记录下来，发现印象加深了好多，果然好记性不如好博客呀。

另外以后有机会测一下全局均值池化，可能效果比这两个更好。