动手学深度学习10：汇聚层（pooling）

最新推荐文章于 2024-12-06 16:25:25 发布
原创 最新推荐文章于 2024-12-06 16:25:25 发布 · 895 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：

#深度学习 #python #计算机视觉

汇聚层在神经网络中用于降低图像特征的空间分辨率，通过最大值或平均值池化来聚集信息，增强模型对位置的不敏感性和全局表示能力。最大汇聚层输出窗口的最大值，平均汇聚层则输出平均值。汇聚层的步幅和填充可以调整，且输出通道数与输入通道数相同。

动手学深度学习10：汇聚层（pooling）

通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。

而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有优势保留在中间层。

除此之外，汇聚层海可以降低卷积层对位置的敏感性，使得模型具有更好的鲁棒性。

最大汇聚层和平均汇聚层

image-20230103230015482

汇聚窗口形状为p×qp \times qp×q的汇聚层称为p×qp \times qp×q汇聚层，汇聚操作称为p×qp \times qp×

最低0.47元/天 解锁文章
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 36万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
动手深度学习笔记（三十五）6.5. 汇聚层
juluwangriyue的博客
03-11 4127
动手深度学习笔记（三十五）6.5. 汇聚层6. 卷积神经网络6.5. 汇聚层6.5.1. 最大汇聚层和平均汇聚层 6. 卷积神经网络 6.5. 汇聚层 通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。 而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷
深度学习：池化（Pooling）
小白的博客
07-31 1526
池化
现代卷积神经网络(NiN),并使用NIN训练CIFAR10的分类
qq_51957239的博客
03-07 2175
NiN，即Network in Network，是一种由Min Lin等人于2013年提出的深度神经网络架构。相较于传统的卷积神经网络，NiN引入了“1x1卷积层”以及全局平均池化层，这两个模块的引入使得NiN模型可以通过不同的网络层抽取多层次、多尺度的特征。NiN的核心思想是通过在卷积神经网络的最后两层之间添加一个或多个全局平均池化层（global average pooling layer），将每个空间位置的特征合并为一个全局统计值，从而减少模型的参数量，防止过拟合。
现代卷积神经网络
hlhwna的博客
04-19 296
这种网络只看卷积nin卷积构成部分，最后输出是四维特征矩阵，而标签里存储的是二维（样本数，分类数），所以这时候的输出还需要两层网络，第一层是自适应池 nn.AdaptiveAvgPool2d((1, 1))），用于把图片全部特征汇聚为1*1（样本数，通道（分类数），1，1），第二层是展平层（注：哪怕展平后的二维矩阵（样本数，分类数），也不是可以与标签比较的矩阵，还需要进行一个归一化，有时候也可以在之前上一层sigmoid，最后需要进行max()来进行独热编码。3，四条路线输出通道都可以自定义，方便定制。
深度学习: pooling (池化 / 降采样)
weixin_41036461的博客
06-05 4879
源链接  https://blog.youkuaiyun.com/jningwei/article/details/78833319在知乎上面看到一个关于池化的神解释，摘来：出处：深度学习cnn中，怎么理解图像进行池化（pooling）后的平移不变性？池化=涨水 卷积的目的是为了得到物体的边缘形状 可以想象水要了解山立体的形状 水位低时得出山脚的形状 水位中等时得出山腰的形状 水位高时得出山顶的形状 三点...
【深度学习】池化 (pooling)
JNing
12-18 9643
【深度学习】池化 (pooling)
个人学习笔记5-2：动手学深度学习pytorch版-李沐
浪子L的博客
09-07 1666
#深度学习# #人工智能# #神经网络# 主要记录学习笔记，学习书目为李沐老师的《动手学习深度学习》 重预备知识开始记录。 开源书籍地址：https://zh-v2.d2l.ai/chapter_preface/index.htmll 李沐老师B站视频：https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497
《动手学深度学习》学习笔记
欢迎来到三水编程的博客
01-11 2588
本文首先介绍了深度学习的基础知识，包括线性回归、多层感知机、卷积神经网络、循环神经网络的基本原理，在其基础上讲解网络优化算法进一步优化网络和自定义网络实现自己的网络。然后介绍深度学习的应用，具体包括单发多框目标检测、语义分割、风格迁移、中英文翻译系统。最后总结我对本课程学习的心得体会和建议。
个人学习笔记7-3：动手学深度学习pytorch版-李沐
浪子L的博客
09-12 1171
主要记录学习笔记，学习书目为李沐老师的《动手学习深度学习》 重预备知识开始记录。 开源书籍地址：https://zh-v2.d2l.ai/chapter_preface/index.htmll 李沐老师B站视频：https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497
深度学习pooling方法
u014367299的博客
09-04 1005
http://www.techweb.com.cn/network/system/2017-07-13/2556494.shtml Fast R-CNN的主要步骤：  a) 特征提取：以整张图片为输入利用CNN得到图片的特征层；  b) region proposal：通过Selective Search等方法从原始图片提取区域候选框，并把这些候选框一一投影到最后的特征层；  c) 区域归一化：...
深度学习之CNN中pooling
AndyJ的学习之旅
06-05 798
概要 1、pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。 2、卷积神经网络中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。pooling确实起到了整合特征的作用。 3、pooling的结果是使得特征减少，参数减少，但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性（旋转、平移、伸缩等），常用的有mean-p
25_深度学习_汇聚层
Supre_yuan的博客
10-06 2496
通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率，聚集信息，这样随着我们在神经网络层叠的上升，每个神经元对其敏感的感受野（输入）就越大。 而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有有时保留在中间层。 此外，当检测较底层的特征时（例如之前讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。例如，如果我们拍摄黑白之
深度学习中的池化详解 | Pooling in Deep learning
Min220的博客
11-19 8341
深度学习中的池化详解。Pooling in Deep learning。 池化的定义、作用、作用背后的原理。 池化操作的分类与适用范围。 空间金字塔池化的原理与作用。
深度学习池化Pooling原理介绍
最新发布
weixin_40280870的博客
12-06 1553
在图像处理中，由于图像中存在较多冗余信息，可用某一区域子块的统计信息（如最大值或均值等）来刻画该区域中所有像素点呈现的空间分布模式，以替代区域子块中所有像素点取值，这就是卷积神经网络中池化(pooling)操作。池化操作对卷积结果特征图进行约减，实现了下采样，同时保留了特征图中主要信息
【深度学习】CNN中pooling层的作用
TwcatL
11-24 1113
(1) translation invariance：这里举一个直观的例子(数字识别)，假设有一个16x16的图片，里面有个数字1，我们需要识别出来，这个数字1可能写的偏左一点(图1)，这个数字1可能偏右一点(图2)，图1到图2相当于向右平移了一个单位，但是图1和图2经过max pooling之后它们都变成了相同的8x8特征矩阵，主要的特征我们捕获到了，同时又将问题的规模从16x16降到了8x8，而且具有平移不变性的特点。图中的a（或b）表示，在原始图片中的这些a（或b）位置，最终都会映射到相同的位置。
深度学习中的池化
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-23 4271
池化层是卷积神经网络中常用的一个组件，池化层经常用在卷积层后边，通过池化来降低卷积层输出的特征向量，避免出现过拟合的情况。池化的基本思想就是对不同位置的特征进行聚合统计。池化层主要是模仿人的视觉系统对数据进行降维，用更高层次的特征表示图像。池化层一般没有参数，所以反向传播的时候，只需对输入参数求导，不需要进行权值更新。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

NUAA_Peter

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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