CNN學習筆記:池化層


CNN學習筆記:池化層

池化

  池化(Pooling)是卷積神經網絡中另一個重要的概念,它實際上是一種形式的降采樣。有多種不同形式的非線性池化函數,而其中“最大池化(Max pooling)”是最為常見的。它是將輸入的圖像划分為若干個矩形區域,對每個子區域輸出最大值。直覺上,這種機制能夠有效地原因在於,在發現一個特征之后,它的精確位置遠不及它和其他特征的相對位置的關系重要池化層會不斷地減小數據的空間大小,因此參數的數量和計算量也會下降,這在一定程度上也控制了過擬合。通常來說,CNN的卷積層之間都會周期性地插入池化層。

  池化層通常會分別作用於每個輸入的特征並減小其大小。當前最常用形式的池化層是每隔2個元素從圖像划分出2*2的區塊,然后對每個區塊中的4個數取最大值。這將會減少75%的數據量。

  

池化的作用

  池化操作后的結果相比其輸入縮小了。池化層的引入是仿照人的視覺系統對視覺輸入對象進行降維和抽象。在卷積神經網絡過去的工作中,研究者普遍認為池化層有如下三個功效:

  1.特征不變形:池化操作是模型更加關注是否存在某些特征而不是特征具體的位置。

  2.特征降維:池化相當於在空間范圍內做了維度約減,從而使模型可以抽取更加廣范圍的特征。同時減小了下一層的輸入大小,進而減少計算量和參數個數。

  3.在一定程度上防止過擬合,更方便優化。


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM