李沐笔记（池化层）

最新推荐文章于 2024-09-15 22:52:37 发布

qq_42310607

最新推荐文章于 2024-09-15 22:52:37 发布

阅读量917

点赞数 2

文章标签：自然语言处理神经网络知识图谱

本文链接：https://blog.youkuaiyun.com/qq_42310607/article/details/121671184

版权

本文详细探讨了神经网络中池化层的作用和原理，从减少计算量、提高模型鲁棒性等方面阐述了池化操作的重要性。同时，对比了不同类型的池化方法，如最大池化和平均池化，并讨论了它们对特征提取的影响。此外，还提及了在自然语言处理和知识图谱构建等领域的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch
from torch import nn
from d2l import torch as d2l


# 实现池化层的正向传播
def pool2d(X, pool_size, mode='max'):
    p_h, p_w = pool_size
    Y = torch.zeros((X.shape[0] - p_h + 1, X.shap

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_42310607

关注关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

深度学习（李沐）—————————池化层

qq_26004051的博客

12-02

1138

import torch from torch import nn from d2l import torch as d2l def pool2d(X,pool_size,mode='max'): # 本函数已保存在d2lzh包中方便以后使用 h, w = pool_size # 取出K的行数和列数 #print("h=",h,"w=",w) Y = torch.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1))#生成输出特征图的.

笔记小结：卷积神经网络之池化层

小火柴

07-18

1226

参与评论您还未登录，请先登录后发表或查看评论

卷积神经网络

weixin_45807767的博客

11-24

2657

概述卷积神经网络Convolutional Neural Network，CNN。卷积神经网络一般是由卷积层、池化层和全连接层交叉堆叠而成的前馈神经网络，全连接层一般在最顶层。卷积神经网络有三个结构上的特性：局部连接、权重共享以及池化，这些特征使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性。卷积运算滑动步长S：Stride，卷积核在滑动时的时间间隔零填充P：Padding，在输入向量的两端进行补零窄卷积：宽卷积：等宽卷积：一幅图像在经过卷积操作后得到结果称为特征映射Feature

5.4_pooling

taifyang的博客

06-10

177

5.4 池化层 回忆一下，在5.1节（二维卷积层）里介绍的图像物体边缘检测应用中，我们构造卷积核从而精确地找到了像素变化的位置。设任意二维数组X的i行j列的元素为X[i, j]。如果我们构造的卷积核输出Y[i, j]=1，那么说明输入中X[i, j]和X[i, j+1]数值不一样。这可能意味着物体边缘通过这两个元素之间。但实际图像里，我们感兴趣的物体不会总出现在固定位置：即使我们连续拍摄同一个物体也极有可能出现像素位置上的偏移。这会导致同一个边缘对应的输出可能出现在卷积输出Y中的不同位置，进而对后面的模式识

第四章第四节 池化层

dongyunchao123的博客

09-14

2092

回忆一下，在“二维卷积层”一节里介绍的图像物体边缘检测应用中，我们构造卷积核从而精确地找到了像素变化的位置。设任意二维数组X的i行j列的元素为X[i, j]。如果我们构造的卷积核输出Y[i， j]=1，那么说明输入中X[i, j]和X[i, j + 1]数值不一样。这可能意味着物体边缘通过这俩个元素之间。但实际图像里，我们感兴趣的物体不会总出现再固定位置：即使我们连续拍摄同一个物体也极有可能出现像...

李沐动手学深度学习-学习笔记

最新发布

03-15

例如，卷积神经网络（CNN）在图像识别领域的应用，学习者将通过笔记学习到CNN的结构、卷积层、池化层等关键组件，以及如何利用CNN处理图像数据，实现图像分类、目标检测等功能。循环神经网络（RNN）及其变种，如长短...

动手学深度学习 PyTorch版李沐视频笔记

weixin_45729566的博客

08-06

374

04 数据操作+数据预处理。

个人学习笔记7-6：动手学深度学习pytorch版-李沐

浪子L的博客

09-15

1459

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

李沐【动手学深度学习】23-27卷积神经网络笔记（LeNet、AlexNet、VGG、NiN、GoogLeNet）笔记

m0_46180925的博客

02-04

428

LeNet是最早发布的卷积神经网络之一，目的是识别图像中的手写数字。

深度学习笔记 —— 池化层

LightInDarkness的博客

04-15

2002

卷积层对位置敏感，比如下面的例子中，一个像素的偏移就会导致0输出而现实情况下，边缘很容易会发生变化。而我们并不希望它对位置过于敏感，所以提出了“池化层” 最大池化层可以允许输入发生一定范围内的偏移，作用在卷积输出上，有一定模糊化的效果每个输入通道做一次池化层，而不像卷积层一样融合多个输入通道 import torch from torch import nn from d2l import torch as d2l # 实现池化层的正向传播 def poo.

池化层pooling

weixin_34080951的博客

11-29

208

from mxnet import autograd,nd from mxnet import gluon,init from mxnet.gluon import nn,loss as gloss from mxnet.gluon import data as gdata def pool2d(X, pool_size, mode='max'): p_h, p_w ...

动手学深度学习v2-池化层

z577554980的博客

08-28

250

import torch from torch import nn from d2l import torch as d2l # 实现池化层的正向传播，无步幅，无填充 def pool2d(X, pool_size, mode='max'): # mode:max,avgs,X是输入 p_h, p_w = pool_size Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1)) for i in range(Y.shape.

（pytorch-深度学习系列）CNN中的池化层-学习笔记

我亦是行人

10-26

900

CNN中的池化层 首先，池化（pooling）层的提出是为了缓解卷积层对位置的过度敏感性。什么意思？比如在图像边缘检测问题中，实际图像里，我们的目标物体不会总出现在固定位置，即使我们连续拍摄同一个物体也极有可能出现像素位置上的偏移。这会导致同一个边缘对应的输出可能出现在卷积输出的边缘的不同位置，从而对模式识别造成影响。与卷积层类似，池化层每次也是对输入数据的一个固定窗口内的元素计算输出但是池化层不同于卷积层，它不考虑输入与核的互相关性，池化层直接计算池化窗口内数据的最大值或平均值，这分别对应与最大池

5.4 池化层

qinhuiqiao的博客

02-19

1802

回忆一下，在“二维卷积层”一节里介绍的图像物体边缘检测应用中，我们构造卷积核从而精确地找到了像素变化的位置。设任意二维数组X的i行j列的元素为X[i, j]。如果我们构造的卷积核输出Y[i, j]=1，那么说明输入中X[i, j]和X[i, j+1]数值不一样。这可能意味着物体边缘通过这两个元素之间。但实际图像里，我们感兴趣的物体不会总出现在固定位置：即使我们连续拍摄同一个物体也极有可能出现像素位...

池化层

dujuancao11的博客

09-09

9415

《动手学深度学习pytorch》部分学习笔记，仅用作自己复习。 池化层 池化（pooling）层，它的提出是为了缓解卷积层对位置的过度敏感性。⼆维最⼤池化层和平均池化层 同卷积层⼀样，池化层每次对输⼊数据的⼀个固定形状窗⼝（⼜称池化窗⼝）中的元素计算输出。不同于卷积层里计算输⼊和核的互相关性，池化层直接计算池化窗口内元素的最大值或者平均值。该运算也分别叫做最大池化或平均池化。让我们再次回到本节开始提到的物体边缘检测的例子。现在我们将卷积层的输出作为 2x2最⼤池化的输⼊。设该卷积层输⼊

深度学习中的池化层

慕云

10-31

308

深度学习中的池化层 1、pool2d实现池化层的前向计算 from mxnet import nd from mxnet.gluon import nn def pool2d(x,pool_size,mode='max'): p_h,p_w=pool_size y=nd.zeros((x.shape[0]-p_h+1,x.shape[1]-p_w+1)) for i in range(y.shape[0]): for j in range(y.shape[1]):

动手学深度学习学习笔记tf2.0版（5.4 池化层）

岁月如歌

03-11

475

def pool2d(X, pool_size, mode='max'): p_h, p_w = pool_size Y = tf.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w +1)) Y = tf.Variable(Y) for i in range(Y.shape[0]): for j in...

池化——【torch学习笔记】

诗酒趁年华。

04-25

4739

池化引用翻译：《动手学深度学习》当我们处理图像（或其他数据源）时，我们最终会想降低图像的分辨率。毕竟，我们通常希望输出一个不依赖于原始图像维度的估计值。其次，在检测低级别的特征时，比如边缘检测（我们在卷积层一节中谈到了这一点），我们通常希望对转换有一定程度的不变性。例如，如果我们把黑白分明的图像X，向右移动一个像素，即Z[i,j]=X[i,j+1]，那么新图像Z的输出会有很大的不同。边缘将移位一个像素，所有的激活也随之移位。在现实中，物体几乎不可能完全出现在同一个地方。事实上，即使有一个三脚架和一个静止

pytorch学习笔记（二十二）：Pooling

逐梦er的博客

08-04

4921

文章目录1. 二维最大池化层和平均池化层2. 填充和步幅3. 多通道小结实际图像里，我们感兴趣的物体不会总出现在固定位置：即使我们连续拍摄同一个物体也极有可能出现像素位置上的偏移。这会导致同一个边缘对应的输出可能出现在卷积输出Y中的不同位置，进而对后面的模式识别造成不便。在本节中我们介绍池化（pooling）层，它的提出是为了缓解卷积层对位置的过度敏感性。 1. 二维最大池化层和平均池化层 同卷积层一样，池化层每次对输入数据的一个固定形状窗口（又称池化窗口）中的元素计算输出。不同于卷积层里计算输入和核的

深度学习笔记：word2vec与CNN文本分类详解

CNN可以通过卷积层提取文本中的局部特征，并通过池化层来减少特征维度，最后通过全连接层进行分类。本笔记文件归档在JupyterNotebook中，这是一种流行的交互式计算环境，可以用来创建和共享包含代码、可视化和说明...