第九章 卷积网络
2020-2-19 深度学习笔记9 - 卷积网络1(卷积运算,动机-稀疏交互、参数共享、等变表示)
池化
回顾一下CNN卷积神经网络层级结构,看一下池化的位置
卷积网络中一个典型层包含三级,如下图所示。
- 在第一级中,这一层并行地计算多个卷积产生一组线性激活响应。
- 在第二级中,每一个线性激活响应将会通过一个非线性的激活函数,例如整流线性激活函数。这一级有时也被称为
探测级
。 - 在第三级中,我们使用
池化函数
来进一步调整这一层的输出。
使用池化可以看作是增加了一个无限强的先验:这一层学得的函数必须具有对少量平移的不变性【解释参见补充2】。当这个假设成立时,池化可以极大地提高网络的统计效率。
对空间区域进行池化产生了平移不变性,但当我们对分离参数的卷积输出进行池化时,特征能够学得应该对哪种变换具有不变性