卷积网络池化层

本文详细介绍了池化层在深度学习中的作用,包括其不学习参数的特性,保持通道数不变的性质,以及如何通过增大感受野和降维来帮助防止过拟合。池化层作为卷积神经网络的重要组成部分,对于特征提取和模型简化具有重要意义。
摘要由CSDN通过智能技术生成

池化层有以下特征:没有要学习的参数,通道数不发生变化,增大感受野,降维,防止过拟合。
1.没有要学习的参数
池化层和卷积层不同,没有要学习的参数。池化只是从目标区域中取最
大值(或者平均值),所以不存在要学习的参数。
2.通道数不发生变化
经过池化运算,输入数据和输出数据的通道数不会发生变化。如图7-15
所示,计算是按通道独立进行的。
在这里插入图片描述
3.增大感受野。
4.降维,防止过拟合。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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