|
- 卷积神经网络（cnn）中为什么要有池化层？ - 知乎
2) 池化层可以增加感受野 不过卷积核尺寸大于1的卷积层同样也可以增加感受野 3) 池化层可以带来特征的平移, 旋转等不变性 4) (最大值等)池化层一般是非线性操作, 可以增强网络的表达能力 激活层一般也是非线性的 从1), 2), 4) 来看, 池化层在CNN中并不是
- 池化层的原理和作用是什么？ - 知乎
池化层，在每个网络中都有出现，所以乡和各位交流一下看法 在卷积神经网络中通常会在相邻的卷积层之间加入一个池化层，池化层可以有效的缩小参数矩阵的尺寸，从而减少最后连接层的中的参数数量。
- 如何理解卷积神经网络（CNN）中的卷积和池化？ - 知乎
池化层解决了这个问题。这个网络层所做的就是通过减小输入的大小降低输出值的数量。池化一般通过简单的最大值、最小值或平均值操作完成。以下是池大小为2的最大池层的示例:
- cnn里面池化的作用是什么，为什么对于同样的神经网络 . . .
池化层往往跟在卷积层后面。通过平均池化或者最大池化的方法将之前卷基层得到的特征图做一个聚合统计。假设L层的卷积层得到的某一特征图有100*100这么大的尺寸。选一个2*2的区域做不重叠的最大池化，池化层会输出50*50那么大的图，达到降低数据量的
- 如何理解CNN中的池化？ - 知乎
常见的池化操作有最大池化（Max Pooling）和平均池化（Average Pooling）。最大池化选择局部区域中的最大特征值作为池化后的值，而平均池化则计算局部区域中特征值的平均值。这样，通过池化操作，可以在保留主要特征的同时减小特征图的维度。
- 为什么为什么全局平均池化层有用，为什么可以替代全连接层 . . .
尽管其长和宽还不确定，但只要经过一次全局平均池化，即可转化为10-D的向量输出： 全局平均池化 题主对于卷积神经网络的各层结构的理解非常到位，全连接层进行了信息的转化，卷积层进行信息的提取，而池化更多的是信息的压缩。
- 图像分类中的max pooling和average pooling是对特征的什么 . . .
平均池化（Average Pooling）和最大池化（Maximum Pooling）的概念就更好理解了，它们指的是如何利用图像块计算结果，取平均值就是平均池化，取最大值就是最大池化。当然，如果你愿意，也可以取最小值，搞出个最小池化、取中值，搞出个中值池化。 池化
- 如何理解卷积神经网络（CNN）中的卷积和池化？ - 知乎
池化层的作用： 最大池化（Max Pooling）或平均池化（Average Pooling）：池化层的作用是降维，即减少特征图的尺寸，同时保留最显著的特征。池化使得网络更加鲁棒，对图像的小幅度平移、旋转或缩放的变化更加不敏感，同时保留了重要的特征。
|
|
|