【深度学习理论 卷积神经网络04】快速了解池化层（Pooling）的功能和运作方式

最新推荐文章于 2023-01-20 22:49:44 发布
最新推荐文章于 2023-01-20 22:49:44 发布
阅读量263 收藏
点赞数 1
分类专栏： 深度学习 # 卷积神经网络 文章标签： 卷积 神经网络 深度学习
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_44121966/article/details/118630392
版权

本文是笔记，参考课程图文

池化层

01. 功能

  1. 除了卷积层以外，另一个重要的隐藏层
  2. 是一个下采样的操作
  3. 用于快速减少输入的大小，同时不丢失重要的信息

02. 常见池化层

1. max pooling 最大值池化
2. average pooling 平均值池化

03. 概念理解

在这里插入图片描述
以此图为例，可以看到被分成大小相同，形状相同的四块，实际上是矩阵核的初始位置和三次滑动，即类似之前提到的kernel卷积核
矩阵核：2 * 2
stride步长：2
输出结果形状计算： （4-2）/ 2 +1
公式可见：
https://blog.csdn.net/weixin_44121966/article/details/118544730?spm=1001.2014.3001.5502

和卷积核的不同之处：
不作点乘相加操作，直接输出活动窗口的统计信息

如果是最大值池化层，则输出最大值结果
例子中红色部分：最大值为6，输出为6
平均值池化层类似，输出平均值结果

AD_钙
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Google推出的深度学习框架TensorFlow（卷积神经网络）
03-02
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，专门设计用于处理和识别具有层级结构的输入，如图像和视频。CNN 在计算机视觉领域得到广泛应用，因为它们能够有效地提取图像中的特征，并对图像进行分类、检测和分割等任务。 CNN 的核心概念包括以下几个重要部分： 1. 卷积层（Convolutional Layer）：卷积层是 CNN 中的基本组件，通过应用卷积操作来提取图像中的特征。卷积操作是将卷积核（filter）与输入图像进行逐元素相乘，并将结果相加，以生成输出特征图。卷积核在整个输入图像上滑动，可以检测不同位置的特征。 2. 池化层（Pooling Layer）：池化层用于减少特征图的维度并保留最重要的信息。常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling），它们通过选择局部区域中的最大值或平均值来减少特征图的大小。 3. 激活函数（Activation Function）：激活函数在 CNN 中被引入以增加模型的非线性拟合能力。......
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 2498
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
卷积层，pooling层的理解
qq_42031483的博客
04-17 1万+
卷积层 什么是卷积核？ 卷积核就是图像处理时，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数称为卷积核。 卷积核其实在图像处理中并不是新事物，Sobel 算子等一系列滤波算子，一直都在被用于边缘检测等工作中，只是以前被称为 Filter。 CNN 中的卷积核跟传统的卷积核本质没有什么不同。仍然以图像为例，卷积核依次与输入不同位置的图像......
CNN中pooling层的作用
一个做图像文本的深度学习人
03-12 3万+
1、pooling是在卷积网络（CNN）中一般在卷积层（conv）之后使用的特征提取层，使用pooling技术将卷积层后得到的小邻域内的特征点整合得到新的特征。一方面防止无用参数增加时间复杂度，一方面增加了特征的整合度。2、pooling是用更高层的抽象表示图像特征，至于pooling为什么可以这样做，是因为：我们之所以决定使用卷积后的特征是因为图像具有一种“静态性”的属性，这也就意味着在一个图像...
对CNN中pooling的理解
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
池化层的作用总结：
weixin_52860733的博客
11-10 5481
池化层的作用总结：
基于深度学习卷积神经网络的图像分类的GUI界面
05-18
卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络...
基于卷积神经网络的语义分割
最新发布
05-18
基于卷积神经网络的语义分割卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的...
基于卷积神经网络的图片分类.zip
05-18
卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络...
基于卷积神经网络的恶意代码分类系统
05-18
卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络...
【综述】盘点卷积神经网络中的池化操作
小白学视觉
06-05 3933
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达池化操作(Pooling)是CNN中非常常见的一种操作，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...
卷积神经网络（CNN)一些定义的总结：卷积、池化、滤波器、内核、特征图、输入层、隐藏层……（可能不全面，后续遇到会补充）
w2190623446的博客
01-20 6353
卷积神经网络（CNN)一些定义的总结：卷积、池化、滤波器、内核、特征图、输入层、隐藏层、输出层、激活函数、局部连接
计算机视觉 | 面试题：07、Pooling层的作用以及如何进行反向传播
Mrrunsen的博客
09-08 2633
问题 CNN网络在反向传播中需要逐层向前求梯度，然而pooling层没有可学习的参数，那它是如何进行反向传播的呢？ 此外，CNN中为什么要加pooling层，它的作用是什么？ Pooling层 CNN一般采用average pooling或max pooling来进行池化操作，而池化操作会改变feature map的大小，例如大小为64×64的feature map使用2×2的步长池化后，feature map大小为32×32。因此，这会使得在反向传播中，pooling层的梯度无法与前一层相对应。 那怎么解
池化层详细介绍
热门推荐
Chen_Swan的博客
04-13 9万+
常见的池化层 它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。...
深度学习笔记5：池化层的实现
l691899397的博客
08-19 3万+
池化层的推导 池化层的输入一般来源于上一个卷积层，主要作用是引入不变性，并且减少了冗余。池化层一般没有参数，所以反向传播的时候，只需对输入参数求导，不需要进行权值更新。 池化层的前向计算 前向计算过程中，我们对卷积层输出map的每个不重叠（有时也可以使用重叠的区域进行池化）的n*n区域（我这里为2*2，其他大小的pooling过程类似）进行降采样，选取每个区域中的最大值(max-
卷积神经网络中图像池化操作全解析
AIGC | 智能洞察，创造未来
05-30 3万+
卷积神经网络 最大池化 平均池化 随机池化 最大池化的matlab的实现
CNN基础知识——池化（pooling）
qq_50394133的博客
04-04 1万+
概述 池化过程在一般卷积过程后。池化（pooling） 的本质，其实就是采样。Pooling 对于输入的 Feature Map，选择某种方式对其进行降维压缩，以加快运算速度。 两种主要池化方式 最大池化（Max Pooling） 池化过程类似于卷积过程，如上图所示，表示的就是对一个 4X4 feature map邻域内的值，用一个 2X2 的filter，步长为2进行‘扫描’，选择最大值输出到下一层，这叫做 Max Pooling。 max pooling常用的 S=2,f=2 的效果：特征图高度、宽度
计算资源池化
布衣之旅
07-29 1万+
计算资源池化
深度学习之-池化操作
denghuanhuandeng的专栏
08-03 9388
在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 “如果人们选择图像中的连续范围作为池化区域,并且只是池化相同(重复)的隐藏单元产生的特征,那么,这些池化单元就具有平移不变性 (translation invariant)。” 注意这两点：１、连续范围　２、池化相同隐藏单元产生的特征 这意思是
卷积神经网络的卷积层和池化层
05-12
卷积神经网络（Convolutional Neural Network，CNN）是一种常用的深度学习模型，主要用于图像识别和计算机视觉任务。它的核心是卷积层和池化层。 卷积层是CNN的核心层之一，它可以提取图像中的特征。卷积层通过对...

“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
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