《CNN笔记总结系列之四》
前言
在《CNN笔记总结系列》中,[1]-[3]已经分别介绍了卷积神经网络的数据输入层、卷积计算层和激励层。本文紧接上述内容,着重讲解卷积神经网络池化层的相关知识。
一、池化层简要介绍
池化层是夹在两个连续的卷积层之间,用于压缩数据和参数的量由此来减小过拟合的。同时,池化的目的是提取特征,以减少向下一阶段传递的数据量,所以从图像处理的层面来说,池化层的最主要的作用就是压缩图像的同时,保留图像中的关键特征信息。也就是说,每次将原图像进行卷积操作后,都通过一个下采样的过程,来减小图像的规模。
二、池化的作用及好处
- 这些统计特征能够有更低的维度,以此来减少计算量。一幅图像含有的信息量是非常大的,特征也非常多,但是有些信息对于图像任务来说是没有用途的,所以通过池化的方式把这类冗余信息去除,提取出最重要的特征进行保留,以此减小计算量。
- 不容易过拟合,当参数过多的时候很容易造成过度拟合,同时也更方便优。
- 缩小图像的规模,提升计算速度;考虑到特征的尺度不变性,在做压缩时只是去掉无关紧要的信息,留下具有尺度不变的特征,由此简化图像表达特征的方式。