Pytorch学习——池化层
池化层的来源
池化层是深度学习中常用组件之一,在当前大部分的神经网络结构中都会使用池化层。 池化层最早来源于LeNet一文,当时被称为SumSample。在AlexNet之后采用Pooling命名, 后续沿用了该命名。
池化层的作用
池化层模拟的人的视觉系统对数据进行降维,使用数据更高层次的特征维度进行学习。通过对特征实施池化,可达到如下效果:
(1) 降低信息冗余。通过相关的池化操作,例如最大值池化,可用将局部无用的信息出去。
(2) 提升模型的尺寸不变性、旋转不变性: 对某个区域做了池化, 即使图像平移/旋转几个像素, 得到的输出值也基本一样。
(3) 防止过拟合。在图像深度学习中图像尺寸过大, 引入池化可减少参数矩阵的赤军,减少最后全连接中的参数数量。
常见的池化层包包含以下几种: 最大值池化、均值池化、中值池化等。
最大值池化——MaxPooling
随机池化—StochasticPooling
在ICLR2013上,作者Zeiler提出了另一种pooling手段(最常见的就是mean-pooling和max-pooling),叫stochastic pooling。只需要对Feature Map中的元素按照其概率值大小随机选择,元素选中的概率与其数值大小正相关,并非如同max pooling那样直接选取最大值。这种随机池化操作不但最大化地保证了取值的Max,也部分确保不会所有的元素都被选取max值,从而提高了泛化能力。
随机池化只需对feature map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
S3Pool: Pooling with Stochastic Spatial Sampling
CVPR2017
https://github.com/Shuangfei/s3pool
计算过程
1)计算方格中元素的和sum, 再将每个元素除以sum,得到包含每个元素的概率矩阵。
2)在池化的过程中,按照概率随机选中方格,取该方格的值作为池化值。
Stochastic pooling 可以看作在一个池化窗口内 对特征图数值进行归一化, 按照特征图归一化后的 概率值大小随机采样选择,即元素值大的被选中的概率也大
Pytorch学习——池化层相关推荐
- [深度学习] 池化层函数及其逆过程函数
池化函数 最大池化函数 一维 class torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indi ...
- PyTorch中池化层的padding和ceil_mode参数设置
在池化操作的接口中,padding和ceil_mode这两个参数会影响到输出特征图的大小.padding即对特征图大小进行扩充的像素数量:ceil_mode指明,当剩余的像素不足滤波器大小,是否仍对这 ...
- pytorch之池化层
·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 ...
- 狠补基础-数学+算法角度讲解卷积层,激活函数,池化层,Dropout层,BN层,全链接层
狠补基础-数学+算法角度讲解卷积层,激活函数,池化层,Dropout层,BN层,全链接层 在这篇文章中您将会从数学和算法两个角度去重新温习一下卷积层,激活函数,池化层,Dropout层,BN层,全链接 ...
- (pytorch-深度学习系列)pytorch卷积层与池化层输出的尺寸的计算公式详解
pytorch卷积层与池化层输出的尺寸的计算公式详解 要设计卷积神经网络的结构,必须匹配层与层之间的输入与输出的尺寸,这就需要较好的计算输出尺寸 先列出公式: 卷积后,池化后尺寸计算公式: (图像尺寸 ...
- 【动手学深度学习PyTorch版】15 池化层
上一篇请移步[动手学深度学习PyTorch版]14 卷积层里的多输入多输出通道_水w的博客-CSDN博客 目录 一.池化层 1.1 池化层 ◼池化层原因 ◼ 二维最大池化 1.2 填充.步幅与多个通道 ...
- pytorch学习笔记七:nn网络层——池化层、线性层
一.池化层 池化运算:对信号进行"收集" 并"总结",类似于水池收集水资源,因而得名池化层. 收集:由多变少,图像的尺寸由大变小 总结:最大值/平均值 下面是最 ...
- [pytorch、学习] - 5.4 池化层
参考 5.4 池化层 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. 5.4.1 二维最大池化层和平均池化层 池化层直接计算池化窗口内元素的最大值或者平均值.该 ...
- 深度学习入门 (九):卷积层和池化层的实现
目录 卷积神经网络 CNN 整体结构 卷积层 全连接层存在的问题 卷积运算 乘积累加运算 偏置 填充 (padding) 步幅 (stride) 小结:卷积层的输出特征图的大小 3 维数据的卷积运算 ...
- pytorch 入门:GPU加速,卷积层,池化层
GPU 加速 深度学习设计很多向量和多矩阵运算,比如BP , CNN 等深层模型都可以写成矩阵运算的格式,不用写成循环运算.但是CPU 上矩阵的运算会被展成循环的形式,CPU 是串行执行的.而GPU ...
最新文章
- Cisco路由器的安全配置简易方案
- 网页设计千千万,网站建设万万千
- CaaS环境下实践经验总结(二):监控系统部署
- 可能用到的C# WinForm技术小结
- Qt学习(十一):QT设置静态数据库
- 1000+Redis实例,100+集群,Redis 在海量数据和高并发下的优化实践
- Leetcode每日一题:21.merge-two-sorted-lists(合并两个有序链表)
- 不止操作系统,智能手机才更需要开源!
- python print table_python 6.7 编写printTable()函数表格打印(完整代码)
- Android开发之——依赖冲突Program type already present
- Centos8.3安装教程
- 【Testin实验室】MoiMark安卓中国终端体验性能排行榜(11月报)
- PXC pxc_strict_mode
- centos是arm还是amd_amd系列cpu安装linux
- 【报告分享】2021年中国新能源汽车行业洞察-Mob研究院(附下载)
- java实现加权随机,负载均衡--加权随机算法(Weight Random)
- L5W3作业2 关键字语音识别
- 问题解决:Get “xxx“: dial tcp: lookup xxx on xxx: read udp xxx:xxx: i/o timeout
- yoyo跑_yoyo是什么意思
- 网站首页的设计(转)
热门文章
- rabbitmq 连接报错 An unexpected connection driver error occured
- 移动用户体验设计:iOS APP体验设计
- ClassCastException: XXX are in unnamed module of loader ‘app‘异常分析
- 【已解决】更新到MacOS Catalina 10.15后,VMware Fusion 虚拟机黑屏以及无法添加辅助功能的问题
- Linux 之父亮相,这个开源社区要“搞大事”
- android电话录音没有声音,Android通话录音未录制来电语音(示例代码)
- 努比亚Z5Smini刷机包 官方H125 音量唤醒 自启管理 CRT管理 稳定
- 打包错误:Entry name 'META-INF/ XXX ' collided
- CSS解决连续英文字母或连续数字不能自动换行
- (二)机器学习实践Python3-决策树ID3的一个简单案例