关于GlobalPool

最新推荐文章于 2023-01-18 17:14:20 发布
最新推荐文章于 2023-01-18 17:14:20 发布
阅读量1k 收藏
点赞数
分类专栏： AI
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/xnmc2014/article/details/88672938
版权

参考自：
https://stats.stackexchange.com/questions/257321/what-is-global-max-pooling-layer-and-what-is-its-advantage-over-maxpooling-layer

在这里插入图片描述

总的来说，globalpool 相当于将kernel的尺寸设置为了和input size相同，因此，经过GlobalPool，input的空间维度（H和W）将变为1。
下面这个是对GlobalPool好处的说明，主要有两点吧，一个是防止了过拟合，提升了泛化能力；一个是GlobalPool融合了空间信息，因而对于当input发生空间变换时能更鲁棒。

在这里插入图片描述

wuxtwu
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
PyG中global_max_pool()函数介绍
CSDN 精品推荐
02-02 1432
我们在图分类任务时，需要获取每张图的特征表示，但是每张图会存在多个节点，我们需要根据这些节点形成一个新的特征向量作为图的表示，这时就利用到了全局池化。表明第一个、第二个和第三个节点进行池化，第四个和第五个节点进行池化，最终我们形成了2个特征向量，表示每个簇进行池化后的结果。，他们两个作用是类似的，都是对于同一簇内的节点进行池化，对于全局池化相当于对一整张图进行池化，如果我们设置。会将多个子图拼接成为一个大图，这时如果对这张图进行池化，不能够分清哪个节点属于哪张图，所以可以使用。这个函数作用是一致的。
global_pool（全局池化）
haiyanyanya的博客
04-07 1986
“global pooling”就是pooling的 滑窗size 和整张feature map的size一样大。这样，每个 W × H × C 的feature map输入就会被转化为 1 × 1 × C 1\times 1\times C1×1×C 输出。 参考：深度学习: global pooling (全局池化)_JNingWei的博客-CSDN博客_全局池化 ...
Caffe入门：global pooling (全局池化)
那年聪聪
10-19 7425
global pooling (全局池化)
Global Average Pooling 对全连接层的可替代性
火星辉
11-13 600
reference：https://blog.csdn.net/williamyi96/article/details/77530995 Golbal Average Pooling 第一次出现在论文Network in Network中，后来又很多工作延续使用了GAP，实验证明：Global Average Pooling确实可以提高CNN效果。 Traditional Pooling Me...
关于GP Global Pooling
NLP与推荐算法
04-08 758
hi,dear have seen many Global Pooling?why is the gap ,gmp, gsp? Will talk in detail GAP,here is Global average pooling,Not mentioned in NeXtVLAD Global average precision 全局平均池化，这是在图像处理中的最后面的层，为了降维...
深度学习之全局池化（“global pooling”）、全局平局池化（“global avg pooling”）、全局最大池化（“global max pooling）
棉花糖的博客
03-03 1万+
参考：https://blog.csdn.net/JNingWei/article/details/80064451（全局池化） https://blog.csdn.net/williamyi96/article/details/77530995（Global Average Pooling对全连接层的可替代性分析） https://blog.c...
GlobalMaxPooling1D和MaxPooling1D的区别
boss的博客
07-08 559
MaxPooling1D和GlobalMaxPooling1D的区别
torch_geometric -- Pooling Layers
发呆的比目鱼的博客
01-18 1976
torch_geometric -- Pooling Layers
【深度学习】global pooling (全局池化)
热门推荐
JNing
04-24 5万+
【深度学习】global pooling (全局池化)
深度学习| 用global average pooling 代替最后的全连接层
东南风的博客
08-18 2万+
最近在看关于cifar10 的分类的识别的文章 在看all convolution network 中看到中用到一个global average pooling    下面就介绍一下global average pooling  这个概念出自于 network in network  主要是用来解决全连接的问题，其主要是是将最后一层的特征图进行整张图的一个均值池化，形成一个特征点，将这些...
基于图神经网络的图表征学习方法
weixu22的博客
07-05 2464
图表征学习是指将整个图表示成低维、实值、稠密的向量形式，用来对整个图结构进行分析，包括图分类、图之间的相似性计算等。 相比之前的图节点，图的表征学习更加复杂，但构建的方法是建立在图节点表征的基础之上。为了高效地理解图表征学习的原理、掌握实现图表征的的工具和方法，本文先从最早的图表征方法开始介绍，然后介绍基于GNN的图表征学习方法及其Python实践。 1. 最早的图表征方法：Weisfeiler-Leman 1.1 图同构（Graph Isomorphism） 同构图是图论中的一个重要概念，一般认为如
池化 MaxPooling AveragePooling MeanPooling GlobalMaxPooling GlobalAveragePooling 区别
心之所向
03-11 1万+
MaxPooling AveragePooling 目的： 1、整合特征 2、减少参数 2、平移不变性 如上图使用的max pooling，当底层特征向右偏移一位时，由于max pooling 只关注较大值，可以看到上层特征变化不大。 上图中三个detector分别探测不同偏移方向的数字5，当探测到对应偏移的数字5时，相应的detector就会激活。而在detector上层的p...
梳理caffe代码pooling_layer（二十）
深藏功与名
06-04 5767
pooling层的代码实现： #include #include #include #include "caffe/layers/pooling_layer.hpp" #include "caffe/util/math_functions.hpp" namespace caffe { using std::min; using std::max; template void Po
图神经网络task_07
qq_41358220的博客
07-09 453
图预测任务实践 本文主要参考DataWhale图神经网络组队学习 图分类 例如预测化学分子的标签 通过将获取到的节点表示经过池化得到图级别的表示，再利用图级别的表示进行损失函数的构造。 模型搭建 由于设备的关系，在对教程中的PCQM4M数据集处理存在一定问题，因此采用GIN模型对MUTAG数据集进行实验。 import os.path as osp import torch import torch.nn.functional as F from torch.nn import Sequential,
图神经网络学习6
to222的博客
07-06 806
作业 请画出下方图片中的6号、3号和5号节点的从1层到3层到WL子树。 答案：
GNN入门之路06
m0_37671786的博客
03-24 1886
GNN入门之路06 基于图神经网络的图表征学习方法
tf.keras.layers.GlobalMaxPool1D()
sslfk的博客
12-23 1001
与tf.keras.layers.Conv1D的输入一样，输入一个三维数据(batch_size,feature_size,output_dimension) x = tf.constant([[1., 2., 3.], [4., 5., 6.]]) ​​​​​​​x = tf.reshape(x, [2, 3, 1]) max_pool_1d=tf.keras.layers.GlobalMaxPooling1D() max_pool_1d(x) 其中max_pool_1d(x)和tf.math
《Web安全之机器学习入门》笔记：第十七章 17.4 CNN识别垃圾邮件
mooyuan的博客
02-03 1203
本小节通过实例讲述CNN识别垃圾邮件的方法。 1、数据集 将load_one_file函数中open的参数增加encoding='utf-8'，如下所示： def load_one_file(filename): x="" with open(filename, encoding='utf-8') as f: print(filename) for line in f: line=line.strip('\n')
使用pytorch实现用shufflenet v2进行图像分类，使用labelimg数据集，并给出模型代码，训练代码，并描述整个过程
最新发布
05-24
self.globalpool = nn.AvgPool2d(int(input_size / 32)) self.fc = nn.Linear(self.stage_out_channels[-1], n_class) def _make_stage(self, stage, stride): modules = OrderedDict() stage_name = ...
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