吴恩达Deeplearning.ai笔记（5）池化层和卷积神经网络示例

最新推荐文章于 2025-10-08 19:17:46 发布
原创 最新推荐文章于 2025-10-08 19:17:46 发布 · 375 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#神经网络 #卷积 #深度学习

本文深入探讨了卷积神经网络中的两种池化方法：MaxPooling和AveragePooling。MaxPooling通过保留区域内最大值来简化特征，而AveragePooling则取区域内平均值。文中详细解释了这两种方法如何帮助减少计算复杂度，同时保持关键特征不变。

max pooling

在这里插入图片描述
如果把这个4*4区域看作是某个特征的集合，则一个大的数字表示可能检测到了一个特定特征，max pooling保留一个区域里面最大的那个数字。
max pooling的超参数有步长和过滤器大小，但是它没有任何参数需要learning。前面卷积层的公式在池化层同样适用。

average pooling

即一个过滤器大小的区域里面取平均值。使用较少。
在这里插入图片描述

卷积神经网络示例

神经网络中一般会把有权重、有参数的称为一层。如下图conv1和pool1共称一层。
在这里插入图片描述
下面是激活输入的尺寸、大小和参数个数的关系：
（由之前的知识可知一个filter对应一个参数b，即下图红色字体标的bias）
在这里插入图片描述

吴恩达深度学习笔记
zjn1174962912的博客
09-29 1133
吴恩达深度学习笔记
Ai模型-池化层
pinweiyun的博客
01-11 2618
在深度学习中，过拟合是常见问题。通过减少特征图的尺寸，池化层可以减少模型参数，从而降低模型复杂度，减少过拟合的风险。在卷积神经网络的层次结构中，池化层通常用于减少特征图的尺寸，即从高分辨率图像特征逐步提取出更紧凑的低分辨率特征图。例如，假设输入为一个 4×4 的矩阵，使用2×2 的窗口进行最大池化，结果是每个2×2 区域内的最大值作为输出，特征图会降采样为 2×2。池化层没有参数（不像卷积层需要学习权重），但它通过减少特征图的尺寸，间接减少了后续层的参数数量，从而加快训练速度并减少内存消耗。
AI学习日记——卷积神经网络（CNN）：卷积层与池化层的概念
最新发布
2301_76925430的博客
10-08 1647
本文介绍了卷积神经网络(CNN)的基本结构和工作原理。与全连接网络不同，CNN通过卷积层和池化层处理图像数据，保留了空间结构信息。卷积层利用滤波器提取特征，涉及填充、步幅、三维卷积和多滤波器机制；池化层则通过Max池化、Average池化等方法缩小特征图尺寸。这些特性使CNN能有效处理图像数据，在计算机视觉领域展现显著优势。
AI算力资源池化：确保AI应用的业务连续性
m0_49711991的博客
12-05 2180
即使资源池内的节点或AI算力设备出现故障，也能快速为AI任务分配新的资源，以便快速恢复业务，保障AI业务运行的连续性。通过监控AI业务的外部访问压力，动态扩展AI业务容器数量，OrionX AI算力资源池也能为每个AI业务实例匹配更多数量的虚拟算力资源，以便应对外部对AI业务的访问压力，从而提高业务的连续性和稳定性。基于AI算力资源池化技术，AI业务在使用AI算力资源过程中，能够自动避开故障的AI算力节点或AI算力资源，保证AI业务随时有可用资源，从而减少了AI算力资源单点故障的风险。
[FreedomAI]第五周——池化技术
天一的博客
05-06 365
这项优化方法又是从别的领域借鉴来的， 最开始了解的一个东西是线程池，内存池。其实不论是线程池还是内存池，都在游戏引擎中非常常见，首先我们先介绍一下他们的应用场景，因为在游戏引擎里我们常常遇到这样一个问题，那就是内存（线程）的申请和释放非常频繁，虽然这块线程或者说内存的申请的数目或者大小不多，但是不论是内存的申请、释放或者是线程的申请、释放，都会导致要让操作系统在用户态和核心态之间还会切换，这是一项...
秃姐学AI系列之：池化层 + 代码实现
m0_62415132的博客
08-20 406
一个非常简单的层——池化层！用来缓解卷积对于位置敏感的特性+减少模型数据量。
吴恩达deeplearning.ai系列课程笔记+编程作业(10)第四课 卷积神经网络-第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
肖泽的博客
03-30 1918
第四门课 卷积神经网络（Convolutional Neural Networks） 第一周 卷积神经网络（Foundations of Convolutional Neural Networks） 文章目录第四门课 卷积神经网络（Convolutional Neural Networks）第一周 卷积神经网络（Foundations of Convolutional Neural Network...
deeplearning.ai吴恩达大模型微调课程笔记
Dar_Alpha的博客
10-07 2039
系统的介绍为什么要对大模型进行微调，微调与提示词的区别，如何对大模型微调，以及如何对大模型评估。
吴恩达深度学习课程(deeplearning.ai) 视频做的笔记
09-26
吴恩达深度学习笔记.pdf很可能是学生或学员在学习过程中整理的课程要点，这种笔记通常包含关键概念、公式、示例和解释，有助于读者快速回顾和理解课程内容。笔记的条理性和充实性表明作者对课程有深入的理解，是深度...
deeplearning.ai-andrewNG-master.zip
10-04
《吴恩达深度学习课后作业完整版》是深度学习领域的宝贵资源，它包含了由著名计算机科学家吴恩达（Andrew Ng）在deeplearning.ai课程中的全套作业。这个压缩包"deeplearning.ai-andrewNG-master.zip"是学习者深入...
吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记（4-1）-- 卷积神经网络基础
热门推荐
大树先生的博客
11-06 1万+
卷积神经网络 --- 卷积神经网络基础
智算中心基石-AI算力池化
m0_49711991的博客
01-03 3272
综述，AI算力池化技术作为智算中心的基石，具有重要意义。智算中心是基于最新人工智能理论，采用领先的人工智能计算架构，提供人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施，其通过算力的生产、聚合、调度和释放，高效支撑数据开放共享、智能生态建设、产业创新聚集，能够有力促进AI产业化、产业AI化及政府治理智能化。第一层、生产算力：基于领先的AI服务器为算力机组，支持先进多样的AI芯片，支持成熟丰富的软件生态，形成高性能、高吞吐的计算系统，为AI训练和AI推理生产输出强大、高效、易用的计算力。
ZStack&趋动科技发布：提供AI算力资源池化功能的解决方案
zstack_org的博客
07-19 1598
近日，专注IaaS的产品化云厂商ZStack与领先的AI算力资源池化软件公司趋动科技（VirtAITech.com）宣布，推出提供AI算力资源池化功能的联合解决方案，该方案融合了ZStack Cloud云平台与趋动科技OrionX，双方产品优势互补，共同推动GPU资源池在私有云平台落地，将新一代的算力云平台推向更广泛的市场！ 新基建浪潮下，AI、5G、大数据中心、工业互联网等一起构成了新基建的核心领域。AI将逐步渗透到各行业，变得越来越“基础设施化”，AI加速器市场及GPU服务器市场规模相应水涨船高，以GP
机器学习之卷积神经网络（三）
anquanniu的博客
08-09 771
假设，有一张大小为32×32×3的输入图片，这是一张RGB模式的图片，你想做手写体数字识别。32×32×3的RGB图片中含有某个数字，比如7，你想识别它是从0-9这10个数字中的哪一个，我们构建一个神经网络来实现这个功能。 我用的这个网络模型和经典网络LeNet-5非常相似，灵感也来源于此。LeNet-5是多年前Yann LeCun创建的，我所采用的模型并不是LeNet-5，但是受它启发，许多参...
【AI深究】CNN中的常用池化与下采样（Pooling & Downsampling）——全网最详细全流程详解与案例（附Python代码演示）|数学表达、主流变体与架构创新、优缺点与工程建议、调优技巧
AI人工智能爱酱～你的AI学习好帮手～
07-10 2221
大家好，我是爱酱。本篇将会系统梳理卷积神经网络（CNN）中的池化（Pooling）与下采样（Downsampling）机制，包括原理、数学表达、主流方法、实际案例、可视化代码演示与工程应用建议，配合数学公式，帮助你全面理解CNN特征压缩与空间不变性的关键技术。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！
【AI】Python手写卷积、平均池化、最大池化
风的博客
08-15 2067
python实现图像卷积、池化操作
深度学习-卷积神经网络CNN-卷积与池化
weixin_46179600的博客
04-02 590
卷积神经网络Convolutional Neural Network卷积的基本概念卷积运算原理full卷积same卷积valid卷积卷积运算的特性池化same池化valid池化池化与卷积的核心区别 注：本笔记不是完整的概念介绍，并不成系统，只是我认为重要或者难理解的部分，撷取并作一定笔记。如需系统学习，欢迎食用王汉生老师的《深度学习：从入门到精通》。 卷积的基本概念 卷积是一种特殊的线性运算，卷积核又叫滤波器，卷积层的目的是获得更多图像的特征。经卷积后输出的特征图叫响应图，响应图的深度取决于卷积用了多少卷积
【AI】卷积层，池化，Softmax，欠拟合和过拟合
yofer张耀琦的专栏
12-27 4378
这里写自定义目录标题卷积什么是卷积？过滤器CNN中的滤波器位置不变性零填充(Zero-Padding)卷积层权重矩阵端到端特征学习可视化卷积层最大池化(Max-Pooling)Softmax架构VGG16架构深入 Finetuning训练更好的模型Dropout另外：预先计算卷积层输出更新权重和Dropout过度拟合数据集增广(Data Augmentation)批量归一化(Batch Norma...
AI视觉入门：卷积和池化
skywalk8163的专栏
04-07 960
从2012年以AlexNet为代表的模型问世以来，人工智能尤其是视觉cv部分飞速发展，在刚开始效果不如人类，到2015年在ImageNet1000数据集的表现就超过了人类。在Transformer模型出现之前，视觉模型的主要组成部分就是卷积和池化，AI就是靠卷积和池化实现了对人类的超越。
DeepLearning.AI TensorFlow开发者课程考试文档
整个课程体系由DeepLearning.AI推出，而DeepLearning.AI是由吴恩达（Andrew Ng）创办的人工智能教育机构，在AI领域具有极高的权威性和影响力，因此该证书课程被广泛认可，是进入深度学习和人工智能行业的优质入门...
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