池化过程如何使通道数增加的?_卷积操作中的填充与池化

最新推荐文章于 2024-07-10 21:16:46 发布
最新推荐文章于 2024-07-10 21:16:46 发布
阅读量6.4k 收藏 24
点赞数 12
文章标签： 池化过程如何使通道数增加的?
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/weixin_42363303/article/details/113578908
版权
本文介绍了卷积神经网络中池化操作的原理和作用，包括形状计算、Padding的使用，以及最大池化、平均池化等。重点讨论了池化用于减少参数量和防止过拟合，并探讨了是否必须使用池化层的争议。
摘要由CSDN通过智能技术生成

79b29e58358dfc9397d07ef5e2662b96.png

1 前言

在前面的两篇文章中，笔者分别介绍了卷积的思想与原理以及卷积操作在各类场景下的具体计算过程。在接下来的这篇文中，笔者将主要围绕着卷积后形状的计算、卷积中的池化操作以及Pytorch中卷积操作的用法这三方面来进行介绍。在这篇文章后，对于卷积的基础知识就算是介绍完了，后面笔者将开始对一些经典的卷积网络进行介绍。

2 形状的计算

在前面一篇文章中，笔者详细介绍了卷积操作中的卷积计算过程，但是对于卷积后特征图形状的计算并没有进行介绍。下面，我们就来看看如何计算卷积后的形状。

2.1 输出形状

对于最后输出形状的计算在我们自己写代码的过程中是十分重要的，关系到你如何设置卷积核的大小，以及卷积的层数。现在我们用

equation?tex=W来表示输入特征图的宽度，
equation?tex=F表示卷积核的宽度，
equation?tex=S表示卷积核每移动一次的步长，那么此时卷积后特征图的宽度为：

equation?tex=H%3D%5Clceil%5Cfrac%7BW-F%2B1%7D%7BS%7D%5Crceil%3D%5Clfloor%5Cfrac%7BW-F%7D%7BS%7D%5Crfloor%2B1%5Ctag%7B1%7D+

其中

equation?tex=%5Clceil+x%5Crceil表示对
equation?tex=x向上取整，
equation?tex=%5Clfloor+x%5Crfloor表示对
equation?tex=x向下取整。公式
equation?tex=%281%29中的两种计算方法都行，记住其中一种即可。

例如有输入形状为

equation?tex=%5B32%2C32%2C3%5D的特征图，卷积核的形状为
equation?tex=%5B5%2C5%2C3%2C64%5D，同时步长为
equation?tex=S%3D2，那么卷积后的形状则为：

最低0.47元/天 解锁文章
注会大狮
关注
卷积层 输出通道如何扩充的_卷积神经网络学习路线（二）| 卷积层有哪些参数及常用卷积核类型盘点？...
weixin_35364187的博客
01-28 848
前言上一篇推文介绍了卷积神经网络的组成层以及卷积层是如何在图像中起作用的，推文地址为：https://mp.weixin.qq.com/s/MxYjW02rWfRKPMwez02wFA 。今天我们就继续讲讲卷积核的基本参数以及卷积核有哪些基本类型。卷积核的基本参数卷积神经网络的核心操作就是卷积层，我们这里以caffe框架为例子来介绍一下卷积核都有哪些基本的参数。下面先上一段代码，是caf...
cnn池化层输入通道数_卷积神经网络（CNN）
weixin_39523835的博客
12-20 3491
卷积神经网络(CNN)1.1二维卷积层卷积神经网络是含有卷积层的神经网络，均使用最常见的二维卷积层，它有高和宽两个空间维度，常用来处理图像数据。1.1.1二维互相关运算在二维卷积层中，一个二维输入数组和一个二维核数组通过互相关运算输出一个二维数组。输入一个高和宽均为3的二维数组，核数组的高和宽均为2，核数组在卷积计算中又称卷积核或过滤器，卷积核窗口(卷积窗口)的形状取决于卷积核的高和宽。1.1.2...
池化过程如何使通道数增加的?_搅拌机使用过程中如何保养，增加他的使用寿命...
weixin_39989215的博客
01-16 152
提子135tizi135混凝土搅拌机的日常维护和保养by 郑州振恒时间=Time=混凝土搅拌机每次使用前应该检查的项目：        1、检查机身是否平稳。          2、叶片及搅拌叶片支撑臂上的连接螺栓是否牢固。         3、上料架上连接螺栓是否紧固。         4、水泵引水是否加足，管路是否畅通。         5、混凝土搅拌机每次使用后应该检查的项目： ...
昇思25天学习打卡营第13天|基于MobileNetv2的垃圾分类
最新发布
ptyp222的博客
07-10 775
本章完整地实现了MobileNetv2网络，并完成了模型的训练、保存、推理、导出。
神经网络之池化层（原理（单通道、多通道），特点）
m0_45267220的博客
03-06 2773
池化操作详解，包括单通道、多通道原理示意图、池化操作输入输出尺寸等
卷积神经网络---池化层
weixin_45698190的博客
10-10 3465
在神经网络中，我们经常会看到池化层，常用的池化操作有四种：mean-pooling（平均池化），max-pooling（最大池化）、Stochastic-pooling（随机池化）和global average pooling（全局平均池化），池化层有一个很明显的作用：减少特征图大小，也就是可以减少计算量和所需显存。 ***mean-pooling（平均池化）：***即对邻域内特征点只求平均 优缺点：能很好的保留背景，但容易使得图片变模糊 正向传播：邻域内取平均 反向传播：特征值根据领域大小被平均，然后传
卷积神经网络（CNN）之卷积操作、池化操作、激活函数
Mike_honor的博客
07-28 1万+
前言：卷积神经网络是深度学习算法中一个重要组成部分，在深度学习图像识别技术的应用中起到了关键作用。卷积神经网络和循环神经网络(RNN)都是类似于传统的全连接神经网络(也叫深度神经网络，简称DNN)，CNN属于编码了空间相关性的DNN，RNN属于编码了时间相关性的DNN。由于图像任务的不同，CNN的网络层也会有些许变动，但是基本上都会使用到卷积层、池化层以及非线性层。为了加深这方面理论知识的理解，本文将从多方面深入讲解CNN中的卷积操作、池化操作以及激活函数。......
cnn进行三次池化的代码.rar_CNN_localz97_matlab_卷积神经_池化
09-24
在这个例子中，描述中提到的“三次池化”可能指的是在网络中使用了三次池化操作，通常有最大池化（Max Pooling）和平均池化（Average Pooling），它们分别取每个池化窗口内的最大值或平均值作为输出。池化操作有助于...
pytorch中的卷积和池化计算方式详解
09-18
在PyTorch中，卷积和池化是深度学习中常用的操作，对于图像处理和神经网络模型构建至关重要。本文将详细解析PyTorch中的这两种计算方式。 首先，我们来看看卷积层（Conv2d）。PyTorch的`torch.nn.Conv2d`模块允许...
双线性池化_卷积神经网络中的各种池化操作
weixin_39822147的博客
12-18 1385
池化操作(Pooling)是CNN中非常常见的一种操作，Pooling层是模仿人的视觉系统对数据进行降维，池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling)，在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减少网络参数的同时还可以防止过拟合现象。主要功能有以下几点：抑制噪声，降低信息冗余提升模型的尺度不变性、旋转不变形降低模型...
CNN.rar_卷积核_卷积神经_卷积神经网络 MATLAB_卷积网络_神经网络采样
07-14
卷积层是CNN中的主要结构，它通过卷积操作将输入数据与卷积核相乘并求和，生成特征映射。这个过程能保持输入数据的空间结构，同时通过共享权重来减少模型参数，提高计算效率。 降采样层，如池化层（Pooling Layer）...
CNN.zip_CLS通信_CNN_matlab CNN_卷积神经_卷积神经网络
09-24
3. **全连接层**：在卷积和池化操作后，数据被展平并输入全连接层，每个神经元都与前一层的所有神经元相连。全连接层负责分类或回归任务，通常位于网络的最后部分。 4. **激活函数**：激活函数如ReLU（Rectified ...
cnn池化层输入通道数_卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习)...
weixin_39792393的博客
12-20 1349
分享一些公式计算张量(图像)的尺寸，以及卷积神经网络(CNN)中层参数的计算。以AlexNet网络为例，以下是该网络的参数结构图。AlexNet网络的层结构如下：1.Input:图像的尺寸是227*227*3.2.Conv-1:第1层卷积层的核大小11*11，96个核。步长(stride)为4，边缘填充(padding)为0。3.MaxPool-1:池化层-1对Conv-1进行池化，尺寸为3*3，...
如何理解一张RGB图片经过卷积神经网络后通道数增加
学无止境、积少成多、厚积薄发
08-07 4318
https://blog.csdn.net/briblue/article/details/83063170 https://blog.csdn.net/cpluss/article/details/81709998 https://www.jianshu.com/p/1ea2949c0056
卷积与池化--初步理解
hyh14的博客
11-16 1256
卷积”来源于信号处理领域。在图像处理中的卷积：先将卷积核先转180度，然后在输入中的对应位置取出一个大小为卷积核大小的区域，然后与旋转后的卷积求内积，得到对应位置的输出。这里用到了两个例子，一个是一阶算子Sobel以及二阶算子Laplacian。不同的卷积可以提取到不一样的特征。
Pytorch实现ChannelPooling（通道池化）
Falcont的博客
05-31 2629
import torch import torch.nn as nn class Channel_Max_Pooling(nn.Module): def __init__(self, kernel_size, stride): super(Channel_Max_Pooling, self).__init__() self.max_pooling = nn.MaxPool2d( kernel_size=kernel_size,
1×1的卷积/交叉通道池化（cross channel pooling）
maqian5的博客
06-12 4925
  在看论文Network in Network时，发现一个概念很陌生–cross-channel pooling。于是上网查，找到下面的一个回答：    大概意思是说：这个概念在论文Maout Networks中有解释。 假设你有一个线性模块，该模型有50个输出（或者说是有50个channels）,但是你想要的是5个输出。你就可以使用cross-channel pooling来减少对chan...
神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）
m0_54634272的博客
01-02 2999
神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）
图解神经网络：卷积、池化、全连接（通道数问题、kernel与filter的概念）
热门推荐
1900的博客
01-08 2万+
卷积、池化、全连接操作、通道数计算、filter、kernel
卷积运算,池化,填充,softmax函数属于卷积神经网络
09-17
卷积运算、池化、填充和softmax函数都是卷积神经网络中常用的操作和函数。 卷积运算是卷积神经网络中最重要的操作之一。它将输入的图像或特征图与卷积核进行卷积操作，从而提取出图像的局部特征。卷积运算在卷积神经网络中的多个卷积层中被广泛应用，能够通过多个卷积核的不同权重提取出不同的特征。 池化操作是卷积神经网络中常用的一种降维操作。它通过将特征图进行缩小，减少参数和计算量，在保留关键特征的前提下，进一步提取图像的抽象特征。常见的池化操作有最大池化和平均池化，分别选择局部区域的最大值或均值作为池化结果。 填充操作在卷积神经网络中用于保持输入特征图的尺寸。在进行卷积运算时，为了保持输出特征图的尺寸与输入特征图相同，可以对输入特征图进行填充操作，即在图像的边缘添加一圈固定值的像素。 Softmax函数是一种常用的激活函数，在卷积神经网络中常用于分类任务的最后一层。它将输入的向量转化为概率分布，使得每一个元素都表示一个类别的概率。Softmax函数的输出可以解读为对各个类别的置信度，通过选择概率最高的类别进行分类。 综上所述，卷积运算、池化、填充和Softmax函数都是卷积神经网络中常用的操作和函数，它们通过提取特征、降维、保持尺寸和分类概率等方式，共同构建了卷积神经网络的基础。
评论
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