24/10/12 算法笔记 汇聚层

汇聚(pooling)层等于池化层,它具有双重目的:降低卷积层对位置的敏感性,同时降低对空间降采样表示的敏感性。

空间降采样通常指的是在图像或信号处理中,通过减少数据的空间维度来降低数据量,同时尽可能保留重要的信息。

在卷积神经网络(CNN)中,卷积层对空间降采样具有一定的敏感性,这意味着卷积层对输入数据的空间位置变化比较敏感。例如,如果输入图像中的一个特征(如边缘或纹理)发生轻微的平移,卷积层可能会检测到不同的输出。这种敏感性在某些情况下是有益的,因为它允许网络捕捉到精确的特征位置,但在其他情况下,我们可能希望网络对输入的微小变化更加鲁棒。

为了降低这种敏感性并提高网络对输入变化的鲁棒性,通常会在卷积层之后引入池化层(Pooling Layer)。

复制代码
def pool2d(X, pool_size, mode='max'):
    p_h, p_w = pool_size
    Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            if mode == 'max':
                Y[i, j] = X[i: i + p_h, j: j + p_w].max()
            elif mode == 'avg':
                Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
    return Y

多通道

在处理多通道输入数据时,汇聚层在每个输入通道上单独运算,而不是像卷积层一样在通道上对输入进行汇总。 这意味着汇聚层的输出通道数与输入通道数相同。

所以要连接张量构建通道。

复制代码
X = torch.cat((X, X + 1), 1)
相关推荐
量子位7 分钟前
马斯克从英伟达挖人做AI游戏!第一步:研发世界模型
人工智能·ai编程
菲兹园长8 分钟前
博客系统小笔记
笔记
程序员大雄学编程12 分钟前
「机器学习笔记11」深入浅出:解密基于实例的学习(KNN算法核心原理与实践)
人工智能·笔记·机器学习
AI拉呱_34 分钟前
第145期《2025年AI现状报告》解读(三):安全篇
人工智能·安全
益企研究院39 分钟前
AICC2025 智算中心与算力服务论坛顺利举办
人工智能
千年人参1001 小时前
AI 与神经网络:从理论到现代应用
人工智能·深度学习·神经网络
视***间1 小时前
边缘计算的未来:从技术突围到规模化爆发的关键十年(智算未来,驱动创新——视程空间赋能智能时代核心AI算力)
人工智能·科技·边缘计算·ai算力·视程空间
工藤学编程1 小时前
零基础学AI大模型之解析器PydanticOutputParser
人工智能
孤狼warrior1 小时前
爬虫+卷积神经网络项目实战解析——对图像狗的识别分类
人工智能·爬虫·神经网络·cnn·卷积神经网络
B站计算机毕业设计之家1 小时前
深度学习实战:Python水果识别 CNN算法 卷积神经网络(TensorFlow训练+Django网页源码)✅
python·深度学习·神经网络·cnn·tensorflow·水果识别·识别系统