CNN—pooling層的作用

MachineLP發表於2017-08-14


此處是個人見解:歡迎微信探討:lp5319

1、使構建更深層次的網路變得可行;

2、使得filters獲得更多的全域性和contextual(上下文)資訊;

3、使訓練可行,也可以說使得訓練變得更高效,主要是針對深層次的網路結構來說;

4、使得 特徵map大小和數量進行更好的選擇(權衡)。例如,就用輸入到全連線層的前一層conv來說,特徵map太大的話,特徵數量就不易太多,通過pooling,使得特徵map變小,特徵map數量就可以更多。

(那麼為什麼要特徵map更多呢?好處在哪裡?)

答:因為每個特徵map對應一個filters,特徵map越多對應更多的filters,而不同的filters提取的是影像中不同方面的特徵,也就是說filters越多對影像不同特徵的提取越多。

5、還有旋轉不變性哦。


如果幫到你了,請讚賞支援:


相關文章