卷积和池化的区别 如何理解卷积神经网络中的卷积和池化？

如何理解卷积神经网络中的卷积和池化？

让我们谈谈我们的理解。

池：用最大值或平均值替换大量数据。目的是减少数据量。

卷积：通过卷积内核将数据转换为特征，便于以后分离。计算方法与信号系统相同。

池化为什么使用平均或者最大，而不是用最小池化？

这是个好问题。与卷积层一样，池化层每次计算输入数据的固定形状窗口（称为池化窗口）中元素的输出。与卷积层⾥计算输出和内核之间的互相关不同，池化层直接计算池化窗口中元素的最大值或平均值。此操作也分别称为最大池或平均池。在⼆维度最大的⼤池中，池窗口从输入⼊数组的左上角⽅开始，并在输入⼊数组上从左到右和从上到下滑动。当池窗口滑动到某个位置时，窗口中输入⼊⼦数组的最大值，即输出数组中相应位置的元素，为最大池；平均值为平均池。

最大池的意义是找到区域中最突出的特征；最小池是找到最不明显的特征，可用于图像去噪、模糊等应用。

卷积和池化的区别 卷积神经网络池化的作用 卷积层和池化层的作用

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。