卷积神经网络（CNN）-池化层-2
池化操作包括在特征图的每个通道上滑动二维滤波器，并总结位于滤波器覆盖的区域内的特征。对于维度为n的特征图nhx nwx nc，则池化层后获得的输出维度为
(nh - f + 1) / s x (nw - f + 1)/s x nc
其中：
->nh-特征图高度
->nw-特征图宽度
->nc-特征图中的通道数
->f-过滤器尺寸
->s-步幅长度
常见的 CNN 模型架构是将多个卷积层和池化层一个接一个地堆叠起来。
为什么要使用池化层（Pooling Layers）？
- 池化层用于减小特征图的维度。因此，它减少了要学习的参数数量和在网络中执行的计算量。
- 池化层汇总了卷积层生成的特征图区域中存在的特征。因此，对汇总的特征执行进一步的操作，而不是对卷积层生成的精确定位的特征执行。这使得模型对输入图像中特征位置的变化更加稳健。
池化层的类型：
最大池化
Max pooling 是一种池化操作，它从过滤器覆盖的特征图区域选择最大元素。因此，max-pooling层后的输出将是一个特征图，其中包含前一个特征图的最突出特征。
这可以通过在keras中使用MaxPooling2D层来实现，如下所示：
代码 #1：使用keras执行Max池化
| import numpy as np from keras.models import |
原文地址：https://blog.csdn.net/jianqimingtian/article/details/142901442
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！