神经网络——最大池化层

最新推荐文章于 2024-05-29 13:37:33 发布
最新推荐文章于 2024-05-29 13:37:33 发布
阅读量38 收藏
点赞数
分类专栏： 深度学习——Pytorch 文章标签： 神经网络 深度学习 机器学习
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_64924692/article/details/129925846
版权

torch.nn.MaxPool2d        

        取池化核所对应位置的最大值

目的：保留数据特征的同时减少数据量，提高速度

 

 参数：

  • kernel_size：池化核大小
  • stride：步长
  • padding：填充
  • dilation：空洞池化
  • return_indices：待补充……
  • ceil_mode：ceil or floor，默认为floor

        关于ceil_mode：

        

池化核在移动到边界时如果超出，是否仍进行池化操作

下面进行简单示例:

 

可以看到清晰度下降了，但保留了图片的基本特征

 

 

 

搁浅丶.
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习——卷积神经网络
01-20
池化二、LeNet三、常见的一些卷积神经网络1.AlexNet2.VGG3.NiN4.GoogLeNet   一、卷积神经网络基础 1.基础知识 二维互相关(cross-correlation)运算：输入一个二维数组和核数组（卷积核或过滤器），卷积核在输入数组...
PyTorch卷积神经网络案例分析——LeNet
01-06
#LeNet 是整个卷积神经网络的开山之作，一共有七层，其实2层卷积和2层池化层交替出现， #最后输出三层全连接层得到整体的结果 import numpy as np import torch from torch.autograd import Variable from torch ...
神经网络——最大池化
m0_51311105的博客
02-01 1万+
最大池化的目的在于保留原特征的同时减少神经网络训练的参数，使得训练时间减少。相当于1080p的视频变为了720p 最大池化介绍 池化层最常用的是下采样，其中参数： kernel_size：设置取最大值的窗口，类似于卷积层的卷积核，如果传入参数是一个int型，则生成一个正方形，边长与参数相同；若是两个int型的元组，则生成长方形。 stride：步径，与卷积层不同，默认值是kernel_size的大小。 padding：和卷积层一样，用法类似于kernel_size。 dila...
卷积神经网络——池化层学习——最大池化
热门推荐
Alex
10-05 5万+
池化层（Pooling layers） 除了卷积层，卷积网络也经常使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性，我们来看一下。 先举一个池化层的例子，然后我们再讨论池化层的必要性。 假如输入是一个4×4矩阵，用到的池化类型是最大池化（max pooling）。 执行最大池化的树池是一个2×2矩阵。 执行过程非常简单，把4×4的输入拆分成不同的区域，我把这个区域用不同颜色来标...
神经网络——最大池化的使用
keep on going
05-20 940
最大池化的目的在于保留原特征的同时减少神经网络训练的参数，使得训练时间减少。相当于1080p的视频变为了720p 网络链接torch.nn — PyTorch 1.11.0 documentation 最常用的时MAXPOOL2D 最常用的是下采样，其中参数： kernel_size：设置取最大值的窗口，类似于卷积层的卷积核，如果传入参数是一个int型，则生成一个正方形，边长与参数相同；若是两个int型的元组，则生成长方形。 stride：步径，与卷积层不同，默认值是kernel_size...
深度学习入门（二十六）卷积神经网络——池化层
ElysiumAILab
11-07 895
课件 池化层 二维最大池化 填充、步幅和多个通道 平均池化层 总结 教材 1 最大池化层和平均池化层 2 填充和步幅 3 多个通道 4 小结
1.9卷积神经网络笔记——池化层
qq_30979017的博客
03-07 4316
1.池化层之最大池化用到池化层的原因：cnn中经常用到池化层来缩减表示大小，提高计算速度，同时提高提取特征的鲁棒性。1.最大池化方法：输入时4*4，输出是2*2；把4*4拆分成不同区域，（用不同颜色标记）每个颜色区域取最大值作为对应2*2矩阵输出值。2.相当于应用过滤器参数为：维度f=2，步长s=2。3.含义：可以把4*4输入矩阵看成某些特征集合（或许不是），即神经网络中某一层非激活值集合，数字大...
神经网络-池化层
qq_52237775的博客
02-02 3320
池化层： 一种形式的降采样 理解：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。 作用： 特征不变性 特征降维（下采样） 在一定程度上防止过拟合 实现非线性（类似relu） 扩大感受野 常见的池化层： 最大池化、平均池化、全局平均池化、全局最大池化 重叠池化 空金字塔池化 以最大池化为例： 参数： kernel_size ：表示做最大池化的窗口大小，可以是单个值，也可以是tup
PyTorch学习笔记（七）——最大池化层
weixin_45827876的博客
04-30 764
最大池化的目的是保留输入的特征，同时把数据量减小（数据维度变小），对于整个网络来说，进行计算的参数变少，会训练地更快。如上面案例中输入是5x5的，但输出是3x3的，甚至可以是1x1的。类比1080p的视频为输入图像，经过池化可以得到720p，也能满足绝大多数需求，传达视频内容的同时，文件尺寸会大大缩小。池化一般跟在卷积后，卷积层是用来提取特征的，一般有相应特征的位置是比较大的数字，最大池化可以提取出这一部分有相应特征的信息。池化不影响通道数，池化后一般再进行非线性激活。
卷积神经网络——卷积层和池化层
qq_38883271的博客
01-05 7148
卷积神经网络的概念最早出自科学家提出的感受野，在19世纪60年代科学家通过对猫的视觉皮层细胞研究发现，每一个视觉神经元只会处理一小块区域的视觉图像。这明显区别于传统的神经网络，传统的神经网络是一种全连接模型，在处理大量数据时，由于这种全连接模型使得模型复杂度大大提升，而且易出现过拟合的现象。 然而在卷积神经网络中，可以利用空间结构关系减少需要学习的参数量，提高算法的训练效率。而且，第一个卷积层会直...
神经网络——池化层
2301_79877516的博客
05-10 438
此时数据无法填满kernel_size中的格子，就涉及到取舍问题，当ceil_module=T时，保留 剩余的6个数，并取出最大值：3，如果为False，则将这6个数舍去。1、kernel_size：最大取值窗口，类似于卷积中的卷积核，当传入一个整形时，最大取值窗口为一个正方形，当传入一个列表时，则一个是长，一个是宽。由此结果可以看出最大池化的功能：我们输入的图片时5*5的，可输出的图片会变成2*2或1*1，经过这样的处理，使得数据量变少，当训练模型时就会训练的更快。填充通常用于控制输出特征图的大小。
TensorFlow1.x入门（9）——卷积神经网络（CNN）
12-21
系列文章 1. 计算图的创建与启动 2. 变量的定义及其操作 3. Feed与Fetch 4. 线性回归 ...一般情况下，提到卷积神经网络，它的网络结构包含卷积层和池化层。卷积层主用用于提取特征，而池化层有最大池
pytorch实现task5——卷积神经网络基础；leNet；卷积神经网络进阶
01-07
卷积神经网络包括卷积层和池化层。 二维卷积层 最常见的是二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一...
深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶
01-07
本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义 我们介绍卷积层的两个超参数，即填充和步幅，它们可以对给定形状的输入和卷积核改变输出形状。 二维互相关...
神经网络 设计层数和神经元数量的考虑
软件工程小施同学 的专栏
05-29 371
选择第二层有24个神经元的设计是为了在特征提取和压缩之间取得平衡。这样的设计既能提高模型的非线性表达能力，又能避免过拟合，同时保证信息的逐步提取和处理。这种设计原则需要根据具体任务和数据的需求进行实验调整，最终找到最优的模型结构。
[数据集][目标检测]伤口检测数据集VOC+YOLO格式2760张1类别
FL1623863129的博客
05-27 416
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。重要说明：大部分是脚本伤口，也有一小部分是其他部分伤口。图片数量(jpg文件个数)：2760。标注数量(xml文件个数)：2760。标注数量(txt文件个数)：2760。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
深度学习之加宽全连接
2401_83576060的博客
05-27 667
在这个模型中，inputs层代表了宽度的特征，而hidden1和hidden2层代表了深度的特征。通过将输入层和第二个隐藏层的输出拼接在一起，模型结合了宽度和深度的特征，以提高模型的预测能力。：optimizer=‘sgd’：这是模型训练时使用的优化器。sgd代表随机梯度下降（Stochastic Gradient Descent），它是一种简单的优化算法，用于在训练过程中更新模型的权重。
AI新时代——【深度学习】驱动的【AIGC大模型】与【机器学习】的创新融合
最新发布
小李很执着的博客
05-29 1842
深度学习的强大特征提取能力，结合AIGC大模型的生成能力，使得我们能够在图像、文本、音频和视频生成方面实现前所未有的突破。这些模型的训练过程涉及大量的数据和计算资源，通过反复训练和优化，模型可以从数据中学习到复杂的特征和规律。这些模型不仅可以生成连贯的文本和逼真的图像，还可以创作音乐、生成视频、设计图案等，极大地扩展了内容创作的可能性。通过这种方式，用户可以利用GPT-4模型生成各种类型的文本内容，包括新闻文章、故事创作、技术文档等，极大地提升了文本创作的效率和质量。
卷积神经网络——全连接操作
09-11
在卷积神经网络中，全连接层通常紧跟在卷积层和池化层之后。 在卷积神经网络中，卷积层和池化层主要用于提取图像的局部特征，而全连接层则用于将这些局部特征进行组合和整合，最终输出分类结果或者预测值。 全连接...

“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