深度学习:池化(Pooling)

池化(Pooling)操作在卷积神经网络中用于降低特征图的尺寸,减少计算量,并提供某种程度的平移不变性。我们以最常用的最大池化(Max Pooling)为例,来解释池化操作之后的特征图大小计算。
假设有以下参数:
  • 输入特征图大小: ( H i n × W i n ) ( H{in} \times W{in} ) (Hin×Win)
  • 池化窗口大小: ( K × K ) ( K \times K ) (K×K)
  • 步幅:( S )
  • 填充:( P )
池化之后的输出特征图大小可以用以下公式计算:

H o u t = ⌊ H i n − K + 2 P S ⌋ + 1 H{out} = \left\lfloor \frac{H{in} - K + 2P}{S} \right\rfloor + 1 Hout=⌊SHin−K+2P⌋+1
W o u t = ⌊ W i n − K + 2 P S ⌋ + 1 W{out} = \left\lfloor \frac{W{in} - K + 2P}{S} \right\rfloor + 1 Wout=⌊SWin−K+2P⌋+1

示例

假设输入特征图的大小是 ( 4 × 4 ) (4 \times 4) (4×4),池化窗口大小是 (2 \\times 2),步幅是 (2),无填充(即 (P = 0))。

参数:

  • ( H i n = 4 ) ( H_{in} = 4 ) (Hin=4)
  • ( W i n = 4 ) ( W_{in} = 4 ) (Win=4)
  • ( K = 2 )
  • ( S = 2 )
  • ( P = 0 )
计算:

H o u t = ⌊ 4 − 2 + 0 2 ⌋ + 1 = ⌊ 2 2 ⌋ + 1 = 1 + 1 = 2 H{out} = \left\lfloor \frac{4 - 2 + 0}{2} \right\rfloor + 1 = \left\lfloor \frac{2}{2} \right\rfloor + 1 = 1 + 1 = 2 Hout=⌊24−2+0⌋+1=⌊22⌋+1=1+1=2
W o u t = ⌊ 4 − 2 + 0 2 ⌋ + 1 = ⌊ 2 2 ⌋ + 1 = 1 + 1 = 2 W{out} = \left\lfloor \frac{4 - 2 + 0}{2} \right\rfloor + 1 = \left\lfloor \frac{2}{2} \right\rfloor + 1 = 1 + 1 = 2 Wout=⌊24−2+0⌋+1=⌊22⌋+1=1+1=2

因此,池化之后的输出特征图大小是 ( 2 × 2 ) (2 \times 2) (2×2)。

具体示例

假设输入特征图如下:

1 3 2 4 5 6 7 8 9 2 4 6 3 1 0 5 \] \\begin{bmatrix} 1 \& 3 \& 2 \& 4 \\\\ 5 \& 6 \& 7 \& 8 \\\\ 9 \& 2 \& 4 \& 6 \\\\ 3 \& 1 \& 0 \& 5 \\end{bmatrix} 1593362127404865 ###### 最大池化操作的结果将是: \[ \[ 6 8 9 6 \] \] \[ \\begin{bmatrix} 6 \& 8 \\\\ 9 \& 6 \\end{bmatrix} \] \[\[6986\]

步骤:
  • 取左上角的 ( 2 × 2 ) (2 \times 2) (2×2) 区域 ( [ 1 3 5 6 ] ) (\begin {bmatrix} 1 & 3 \\ 5 & 6 \end{bmatrix}) ([1536]),最大值是6。
  • 移动窗口至右上角 ( [ 2 4 7 8 ] ) (\begin{bmatrix} 2 &4 \\ 7 & 8 \end{bmatrix}) ([2748]),最大值是8。
  • 移动窗口至左下角 ( [ 9 2 3 1 ] ) (\begin{bmatrix} 9 &2 \\ 3 & 1 \end{bmatrix}) ([9321]),最大值是9。
  • 移动窗口至右下角 ( [ 4 6 0 5 ] ) (\begin{bmatrix} 4 & 6 \\ 0 & 5 \end{bmatrix}) ([4065]),最大值是6。
最终得到输出特征图:

6 8 9 6 \] \\begin{bmatrix} 6 \&8 \\\\ 9 \& 6 \\end{bmatrix} \[6986

通过以上计算和示例,明确了池化操作之后的特征图大小计算方法和具体操作过程。

相关推荐
LiJieNiub3 分钟前
读懂目标检测:从基础概念到主流算法
人工智能·计算机视觉·目标跟踪
哥布林学者28 分钟前
吴恩达深度学习课程一:神经网络和深度学习 第三周:浅层神经网络(二)
深度学习·ai
weixin_5195357732 分钟前
从ChatGPT到新质生产力:一份数据驱动的AI研究方向指南
人工智能·深度学习·机器学习·ai·chatgpt·数据分析·aigc
爱喝白开水a1 小时前
LangChain 基础系列之 Prompt 工程详解:从设计原理到实战模板_langchain prompt
开发语言·数据库·人工智能·python·langchain·prompt·知识图谱
takashi_void1 小时前
如何在本地部署大语言模型(Windows,Mac,Linux)三系统教程
linux·人工智能·windows·macos·语言模型·nlp
OpenCSG1 小时前
【活动预告】2025斗拱开发者大会,共探支付与AI未来
人工智能·ai·开源·大模型·支付安全
生命是有光的1 小时前
【深度学习】神经网络基础
人工智能·深度学习·神经网络
数字供应链安全产品选型1 小时前
国家级!悬镜安全入选两项“网络安全国家标准应用实践案例”
人工智能·安全·web安全
科技新知1 小时前
大厂AI各走“开源”路
人工智能·开源
字节数据平台1 小时前
火山引擎Data Agent再拓新场景,重磅推出用户研究Agent
大数据·人工智能·火山引擎