卷积神经网络中的“池化层”

一、什么是池化?

池化(Pooling)是卷积神经网络中另一个重要的概念,它实际上是一种形式的降采样。有多种不同形式的非线性池化函数,而其中“最大池化(Max pooling)”是最为常见的。它是将输入的图像划分为若干个矩形区域,对每个子区域输出最大值。直觉上,这种机制能够有效地原因在于,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
通常来说,CNN的卷积层之间都会周期性地插入池化层。

池化层通常会分别作用于每个输入的特征并减小其大小。当前最常用形式的池化层是每隔2个元素从图像划分出2*2的区块,然后对每个区块中的4个数取最大值(这种方法的参数为 2x)。这将会减少75%的数据量。



常见的池化有两种形式:

Max Pooling:最大池化

Average Pooling:平均池化

二、“池化层”的作用

池化操作后的结果相比其输入缩小了。池化层的引入是仿照人的视觉系统对视觉输入对象进行降维和抽象。在卷积神经网络过去的工作中,研究者普遍认为池化层有如下三个功效:

特征不变形:池化操作是模型更加关注是否存在某些特征而不是特征具体的位置

特征降维:池化相当于在空间范围内做了维度约减,从而使模型可以抽取更加广范围的特征。同时减小了下一层的输入大小,进而减少计算量和参数个数

在一定程度上防止过拟合,更方便优化

版权声明:本文为CSDN博主「南淮北安」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/nanhuaibeian/article/details/100661971

推荐阅读

澳洲幸运10开奖结果 德国时时彩 秒速时时彩 澳洲幸运8 极速PK拾 秒速时时彩 快乐赛车 幸运飞艇官网 吉林快3 诚信网投开户