最大池化（Max Pooling）和平均池化（Average Pooling）

已于 2024-11-08 08:43:32 修改
阅读量4.2k 收藏 13
点赞数 8
分类专栏： 计算机视觉基础 文章标签： 神经网络 深度学习 python cnn 图像处理
于 2024-11-08 08:25:56 首次发布
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_45662399/article/details/143612536
版权

全局池化操作看这里： 什么是全局池化？

最大池化（Max Pooling）和平均池化（Average Pooling） 是两种常见的池化操作，用来对特征图进行下采样，从而减少数据的维度，突出特征，同时降低计算成本。

池化操作通常在卷积层之后进行，用来缩小特征图的尺寸，同时保持关键信息。

在这里插入图片描述

1. 最大池化（Max Pooling）

最大池化会在特定的局部窗口（例如 2x2）内选取最大值，作为该窗口的输出值。目的是保留最显著的特征信息，同时减少特征图的分辨率。

假设有一个 2x2 的窗口：

2  3
8  4
最低0.47元/天 解锁文章
卷积神经网络（CNN）池化层的最大池化（Max Pooling）和 平均池化（Average Pooling）
JustinMars的博客
02-08 706
最大池化和平均池化
综述:最大池化，平均池化，全局最大池化和全局平均池化？区别原来是这样
MrCharles在CSDN
04-03 5万+
综述:最大池化，平均池化，全局最大池化和全局平均池化？区别原来是这样
PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】——P18：神经网络-最大池化的使用
最新发布
xiangh的博客
02-23 986
PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】学习笔记
最大、平均、最小池化的作用和应用场景
diidiii的博客
11-28 1911
最大池化（Max Pooling）、最小池化（Min Pooling）和平均池化（Average Pooling）是深度学习中常用的池化操作，主要用于减少特征图的空间维度，同时保留重要的特征信息。
池化方法总结（Pooling）
Daniel_djf的专栏
01-05 6万+
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）。 为什么可以通过降低维度呢？ 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区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值
最大池化max-pooling和平均池化mean-pooling
m0_59959542的博客
12-21 1378
常用池化详解
简述平均池化和最大池化
u014516389的博客
05-25 5万+
链接：https://www.zhihu.com/question/23437871/answer/24696910 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 pooling的结果是使得特征减少，参数减少，但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性（旋转、平移、伸缩等），常用的有mean-pooling，ma
CNN池化总结（最大池化与平均池化）
m0_62919535的博客
06-29 1万+
池化操作会减少特征图的细节信息，因此在某些情况下可能会导致信息丢失。在最新的研究中，有些模型在某些层次上已经开始避免使用池化操作，而是采用卷积操作来进行降维和尺寸缩减。这些新的方法通常被称为"strided convolutions"（步幅卷积）或"convolutional stride"（卷积步幅），它们在一定程度上取代了传统的池化操作。这些新方法的目标是通过卷积操作同时实现特征提取和尺寸缩减的效果，以避免信息丢失。
卷积神经网络---池化层
weixin_45698190的博客
10-10 4004
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
最大池化与平均池化
骑着乌云看雪
01-24 3679
池化层相关问题
最大值池化、均值池化与全局池化的比较
浩瀚之水的专栏
09-04 891
根据任务需求灵活选择池化方法，是优化模型性能的关键之一。
Max Pooling和 Average Pooling的区别，使用场景分别是什么？
01-07
池化操作时在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操作，但是近些年比较主流的ImageNet上的分类算法模型都是使用的max-pooling，很少使用average-pooling，这对我们平时设计模型时确实有比较重要的参考作用，但是原因在哪里呢？        pooling作为一个对特征的操作，应该看具体任务。有论文提到，低层的网络对细节特征的响应更高，那么随着对特征的不断处理，高层的网络对抽象特征有更好的响应。pooling作为对特征的处理操作，也应该考虑，pooling前的数据是什么数据，数据代表了什么意义，数据的相关性是怎么样的。假设区分由不同点集构成
Numpy实现MaxPooling2D（最大池化）和AveragePooling2D（平均池化）
m0_63102527的博客
05-15 346
Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
Numpy实现MaxPooling2D（最大池化）和AveragePooling2D（平均池化）(1)
2301_82242251的博客
04-20 972
知识点，真正体系化！**
神经网络系列---池化
weixin_43763292的博客
02-27 3347
平均池化（Average Pooling）是卷积神经网络中另一种常用的池化技术。其操作是在输入特征图的一个局部窗口内计算所有值的平均值，然后将此平均值作为该窗口的输出。最大池化（Max Pooling）是卷积神经网络中常用的一种池化技术。其操作是：在输入特征图的一个局部窗口内选取最大的值作为该窗口的输出。这个公式简单地描述了最大池化的操作：对于每个输出元素。这个公式描述了平均池化的操作：对于每个输出元素。的相应局部窗口中计算所有值的平均值。的相应局部窗口中找到最大的值。
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
阿旭的博客
12-15 5093
【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化
cnn中关于平均池化和最大池化的理解
热门推荐
sunflower_sara的机器学习园地
07-31 6万+
链接：https://www.zhihu.com/question/23437871/answer/24696910 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。   接触到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。一个典型的卷积神经网络结构图，其中的卷积...
最大池化与平均池化区别
butiful1的博客
03-15 7541
最大池化层： 、计算最大值和记录最大值所在输入数据中的位置 、缩减模型的大小 、提高计算速度 、减少无用信息的影响 、提高所提取特征的鲁棒性(最大值) 计算池化层 卷积层输出大小的公式同样适用于最大池化，(n+2p-f)/s+1 （input_width + 2*padding - pool_size）/stride+1 平均池化与最大池化区别： 前向传播中计算pool区域内的最大值并记录该最大值所在输入数据中的位置，为了在反向传播中，需要把梯度值传到对应最大值的位置置。而且反向传播也就是把梯度值直
[cv] 池化（最大池化Maxpool、平均池化Averagepool、随机池化randpool）与反池化
心宝的博客
04-25 1万+
池化的定义比较简单，最直观的作用便是降维，常见的池化有最大池化、平均池化和随机池化。 池化层不需要训练参数。 1、 三种池化：最大池化Maxpool、平均池化Average_pool、随机池化randpool 最大池化是对局部的值取最大；平均池化是对局部的值取平均；随机池化是根据概率对局部的值进行采样，采样结果便是池化结果。概念非常容易理解，其示意图如下所示： 其中随机池化 1/(1+3+4) 4/8 0 3/8得到 2、三种池化的意义 （1）最大池化可以获取局部信息，可以更好保留纹理上的特征。如果不用观
最大池化和平均池化层 python代码
01-16
### Max Pooling 和 Average Pooling 层的 Python 实现 池化层用于减少数据维度并提取重要特征，在卷积神经网络中扮演着至关重要的角色。下面展示了如何使用 NumPy 来手动实现最大池化(max pooling)和平均池化(average pooling)[^1]。 #### 最大池化 (Max Pooling) 最大池化通过选取窗口内的最大值来降低空间尺寸： ```python import numpy as np def max_pool(image, pool_size=(2, 2), stride=2): h, w = image.shape[:2] ph, pw = pool_size result_h = int((h - ph)/stride) + 1 result_w = int((w - pw)/stride) + 1 output = np.zeros((result_h, result_w)) for i in range(result_h): for j in range(result_w): roi = image[i*stride:i*stride+ph, j*stride:j*stride+pw] output[i,j] = np.max(roi) return output ``` 此函数接受输入图像以及池化窗口大小(pool size)，步幅(stride)作为参数，并返回经过最大池化处理后的矩阵。 #### 平均池化 (Average Pooling) 平均池化则是计算窗口内所有元素的算术平均数来进行降采样操作: ```python def avg_pool(image, pool_size=(2, 2), stride=2): h, w = image.shape[:2] ph, pw = pool_size result_h = int((h - ph)/stride) + 1 result_w = int((w - pw)/stride) + 1 output = np.zeros((result_h, result_w)) for i in range(result_h): for j in range(result_w): roi = image[i*stride:i*stride+ph, j*stride:j*stride+pw] output[i,j] = np.mean(roi) return output ``` 这段代码实现了基于指定窗口大小和平移距离的二维平均池化功能。
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