pooling池化操作的代码详解

最新推荐文章于 2025-07-06 21:31:06 发布
最新推荐文章于 2025-07-06 21:31:06 发布
阅读量1w 收藏 23
点赞数 7
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。
本文链接：https://blog.youkuaiyun.com/u011021773/article/details/54292061
这篇博客主要通过代码来探讨池化操作。池化的目的是抽象，将图像区域简化为一个数值，如将100*100的图像每50*50区域取最大值，形成2*2的池化图像。步长影响池化结果的大小，不一定是size的因子，可以是任意间隔。出界情况可通过延长边界并视为0来处理。代码实现中，遍历原图，每个区域找到最大值并赋值到新结果中。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

池化这个操作原理非常简单，相信大家都很容易搞懂，那么这篇博客就主要从代码来谈谈吧。

首先还是简单介绍一下原理（不是我偷懒想要简单介绍，是因为这个东西介绍起来本身就很简单偷笑）

所谓的池化目的就是抽象，把一大片面积总结成一个数，比方说一副100*100的图，我们每50*50的区域就取一个最大值，共计能取4个最大值，那么这个2*2的最大值图像就是池化后的图像了。

上图是一个20*20的图经过size为10步长也为10的池化，最后生成了一个2*2的图。其实最后生成的图与池化的size并没有什么直接关系，真正影响他的是池化的步长，也就是说这一操作不仅可以像上图那样紧挨着移动，还可以隔着几格移动，例如步长如果是11那么就是隔着一格移动了。当然也可以重叠的移动，例如步长是5那么每两个中间就重叠了五格。至于最后如果有出界的情况怎么办。我采取的办法是把出界的部分延长，当0来考虑，反正是求最大值，相当于就没有考虑他们。

这样的话池化结果的大小应该就是原图的大小/步长，如果是小数并且按我的延长方法处理的话就

最低0.47元/天 解锁文章

200万优质内容无限畅学
【池化】 python版代码
weixin_43956565的博客
09-18 693
实现卷积神经网络中的 池化： python代码： def pooling(input_h, input_w, kernel_h, kernel_w, stride_h, stride_w, array): res = [] for i in range(0, input_h - kernel_h + 1, stride_h): out_arr = [] ...
遥感影像深度学习中的pooling池化操作（附手写池化代码）
weixin_44441898的博客
06-05 784
池化的方式主要有： 1）一般池化： Max Pooling：最大池化：计算图像区域的平均值作为该区域池化后的值。 Average Pooling：平均池化：选图像区域的最大值作为该区域池化后的值。 下面是池化操作的代码详解(需要安装python和openCV)： img是输入的图片；stride是采样的步长，一般取2；type是池化的方式；img_pooled是最后池化的结果； import numpy as np from PIL import Image import pylab import cv2
maxpooling主要有两大作用
timetime88的博客
10-30 810
maxpooling主要有两大作用 invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度) 保留主要的特征同时减少参数(降维，效果类似PCA)和计算量，防止过拟合，提高模型泛化能力 (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
池化组件-深度解释（C++方向）
最新发布
weixin_74402791的博客
07-06 809
因为在析构时，我们需要唤醒。
池化的几种方法 学习笔记 (附代码)
热门推荐
PLANTTHESON的博客
10-10 1万+
池化的几种方法 学习笔记 (附代码)
Stochastic pooling随机池化代码实现
m0_51622811的博客
03-04 1304
Stochastic Pooling(随机池化) 随机池化Stochastic Pooling是Zeiler等人于ICLR2013提出的一种池化操作。随机池化的计算过程如下 先将方格中的元素同时除以它们的和sum，得到概率阵 按照概率随机选中方格 pooling得到的值就是方格位置的值 随机池化只需对特征图中的元素按照其概率值大小随机选择，即元素值大的被选中的概率也大，而不像max-pooling那样，永远只取那个最大值元素，这使得随机池化具有更强的泛化能力 import torch .
双线性池化（Bilinear Pooling）tensorflow代码
qiuuu的博客
03-09 414
参考github源码中的代码：self.phi_I = tf.einsum('ijkm,ijkn->imn',self.conv5_3,self.conv5_3)如果你的shape跟我的不一样，相应地修改这部分：phi_I = tf.einsum('im,in->imn', x, y)
双线性池化（Bilinear pooling）tensorflow版
08-23
双线性池化（Bilinear pooling）是一种在深度学习领域中用于特征提取的高级技术，尤其在图像识别、细粒度分类和视觉问答等任务中展现出优越性能。它通过引入了矩阵乘法来增强特征之间的交互，从而捕获更丰富的上下文...
CNN池化层原理详解
梵心白莲的博客
10-04 536
池化层在卷积神经网络（CNN）中起到了重要的作用，特别是在支持特征的旋转和平移不变性方面。下面将通过算法和代码详细讲解池化层如何支持这些特性。
ROIpooling代码实现
dagouxiaohui的博客
06-08 452
ROIpooling代码实现
手写池化操作.zip
08-04
使用Python语言实现图片降采样常用的池化操作，实现了常见的最大池化和均值池化。
MaxPooling 最大池化简单实现
12-22
#!/usr/bin/env python2 # -*-coding:utf8-*- import numpy as np def max_pooling(feature_map, size=2, stride=2): """max_pooling""" channel = feature_map.shape[0] height = feature_map.shape[1] width = feature_map.shape[2] # 确定最后的输出形状 out_height = np.uint16((height - size) // stri
35. 池化层 / 汇聚层 代码实现
weixin_47505105的博客
12-24 863
笔记
最大池化代码举例————PyTorch
weixin_45947476的博客
10-18 935
哔哩大学的PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】 的P19讲讲述了神经网络的最大池化的使用。 最大池化的作用 就是减少训练的数据量。举个例子：视频有1080p和720p，输入图像就是一个1080p的视频，网卡的时候可以池化一下变成720p的，可以看而且文件变小了。 池化过程为 代码举例： import torch # 输入图像，tensor数据类型 import torchvision from torch import nn from torch.nn import MaxPo
【AlexeyAB DarkNet框架解析】十，池化层代码详解(maxpool_layer.c)
I good vegetable a!
02-22 1593
已经将所有的注释代码以及包含中文版README的AlexeyAB DarkNet总结在了这个网址上，需要自取：https://github.com/BBuf/Darknet 前言 继续阅读DarkNet的源码，今天主要来讲一下池化层的构造，前向传播，和反向传播。池化层的实现在src/maxpool_layer.c中。 原理 为了图文并茂的解释这个层，我们首先来说一下池化层的原理，池化层分为最大...
卷积层和池化层代码
qq_43498164的博客
03-17 2578
```python 在这里插入代码片import torch import numpy as np import torchvision from torch.utils.data import DataLoader from torch import nn from torch.nn import Conv2d from torch.utils.tensorboard import SummaryWriter dataset = torchvision.datasets.CIFAR10("./data.
深度学习——池化层笔记+代码
jbkjhji的博客
11-30 1201
②需要一定程度的平移不变性，即使1像素边缘位置移动了，卷积后池化就可以检测到未移动的边缘。如果因为抖动曝光啥的同一个物体，1像素可能往右移位了。K的卷积核就得不到相应位置的边缘信息。使用K=[-1,1] 的卷积核进行卷积操作，实现垂直边缘信息的检测。③输出通道数=输入通道数（卷积层的输出通道数是1）1.对于卷积层来说，卷积对位置比降敏感。①最大池化层：每个窗口中最强的模式信号。②平均池化层：每个窗口中的平均值。③有窗口大小，填充，步幅超参数。经过卷积层k=[1,-1]经过卷积层k=[1,-1]
深度学习——池化
qys27182812的博客
06-08 880
学习《深度学习——入门与实践》一书代码实现卷积神经网络池化步骤的实现，对之前处理好的雪佛兰科迈罗图像2进行最大池化书上没有加convert（‘RGB’），导致了报错。查阅了别人的博客，得知“在数字图像处理中，针对不同的图像格式有其特定的处理算法。所以，在做图像处理之前，我们需要考虑清楚自己要基于哪种格式的图像进行算法设计及其实现。本文基于这个需求，使用python中的图像处理库PIL来实现不同图像...
深度学习中卷积与池化代码实现
Brandon_Hoo的博客
04-01 688
深度学习网络中基本操作代码实现 1 卷积操作 代码实现卷积操作 import torch import torch.nn as nn def MyCon2D(X,K): h,w=K.shape Y=torch.zeros((X.shape[0]-h+1,X.shape[1]-w+1)) #定义输出的大小 for i in range(Y.shape[0]): ...
CNN图像卷积池化处理技术详解
池化操作则通常用于降低数据的空间大小，减少参数数量和计算量，并控制过拟合，常见的池化操作有最大池化（max pooling）和平均池化（average pooling）。 在本次分享的文件中，文件名为"CNN.py"的压缩包文件中包含...
评论 1
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