Pooling Layer:池化层

Posted shiliuxinya

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Pooling Layer:池化层相关的知识,希望对你有一定的参考价值。

1. 池化层:由1个filter组成,对图片 / 输入矩阵进行空间上的降采样处理,压缩图像的高度和宽度。池化层的filter不是用来得到feature map,而是用来获取filter范围内的特定值。池化层的filter并不设置特定的权值,通常只是用来获取感受野范围内的最大值或平均值。

降采样处理:改变输入矩阵的高度和宽度,但不会改变通道数 / 深度

技术图片

 

 

 

2.池化: 主要分为最大池化和平均池化

①最大池化:用filter依次扫描输入矩阵的局部,每次选取该区域的最大值

②平均池化:用filter依次扫描输入矩阵的局部,每次选取该区域的平均值

技术图片

 

 

技术图片

 

 

3. 池化层的运行:池化层一般放在卷积层之后,批量归一化或者激活函数之前

①输入:经过卷积层计算得到的feature map,实质上是宽w、高h、通道数k的矩阵

②计算:根据设置的padding=0、stride,用filter来最大池化或平均池化,压缩矩阵的宽度和高度,不改变通道数。

③输出:输出经过最大池化或平局池化的矩阵,通道数不变,宽度和高度的改变和卷积层的计算方式一致

 

高度和宽度的计算:

一般图片的高度宽度是一样的,卷积核的高度宽度也是一样的,设图片的高度/宽度=n,卷积核的高度/宽度=f,填充padding,步长s:

h_new or w_new =(N + 2 * padding - f)/ s +1  (一般不在池化层做填充)

 

技术图片

 

技术图片

 

以上是关于Pooling Layer:池化层的主要内容,如果未能解决你的问题,请参考以下文章

Keras官方中文文档:池化层Pooling

CNN 卷积神经网络 池化层Pooling 动手学深度学习v2 pytorch

神经网络中的池化层(pooling)

深度学习基础知识池化层pooling操作如何参与反向传播?

深度学习基础知识池化层pooling操作如何参与反向传播?

神经网络——最大池化层的使用