前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >CNN—pooling层的作用

CNN—pooling层的作用

作者头像
MachineLP
发布2018-01-09 14:19:03
9650
发布2018-01-09 14:19:03
举报
文章被收录于专栏:小鹏的专栏

此处是个人见解:欢迎微信探讨:lp5319

1、使构建更深层次的网络变得可行;

2、使得filters获得更多的全局和contextual(上下文)信息;

3、使训练可行,也可以说使得训练变得更高效,主要是针对深层次的网络结构来说;

4、使得 特征map大小和数量进行更好的选择(权衡)。例如,就用输入到全连接层的前一层conv来说,特征map太大的话,特征数量就不易太多,通过pooling,使得特征map变小,特征map数量就可以更多。

(那么为什么要特征map更多呢?好处在哪里?)

答:因为每个特征map对应一个filters,特征map越多对应更多的filters,而不同的filters提取的是图像中不同方面的特征,也就是说filters越多对图像不同特征的提取越多。

5、还有旋转不变性哦。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017年08月14日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档