Pooling操作和Padding操作

臭臭铲屎官 2023-01-13 02:06:54

课时名称	课时知识点
Pooling操作和Padding操作	Pooling操作和Padding操作

...全文

81 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

MaxPooling层的整体目的是减小空间尺寸（高度和宽度）。因此，padding不像卷积层那样用于防止空间尺寸的减小。取而代之的是，MaxPooling可能需要padding来处理输入形状不完全适合kernel大小的情况。举个例子, 下图kernel的输入完全匹配kernel的尺寸,故padding == 0。下图kernel的输入不匹配kernel的尺寸,所以让padding=0.5,两边乘2之后输入的尺度为6*6, 刚好可以被2*2的kernel所遍历。 ...

1、学会PyTorch基本使用 2、学会深度学习基础算法 3、结合PyTorch完成深度学习入门应用

其他推理框架可能不支持AdaptivePooling操作，该操作仅存于PyTorch中 PyTorch官方文档可知， AdaptivePooling可通过输入大小input_size自适应控制输出大小output_size，而一般的AvgPooling/MaxPooling则是通过kernel_size、stride、padding来计算output_size，公式如下： outputsize=ceil((inputsize+2∗padding−kernelsize)/stride)+1output_s

首先贴一下原文：https://www.zhihu.com/question/22298352 本想自己写一下卷积核是怎么进行卷积操作的，但是发现上文中讲述的很好，这里就直接转过来。我在这里补充一下padding和pooling也就是填充层和池化层。 padding的用途：保持边界信息，如果不加padding层的话，最边缘的像素点信息只会卷积核被扫描到一次，但是图像中间的像素点...

1、池化层的理解 pooling池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。另外一点值得注意：pooling也可以提供一些旋转不变性。池化层可对提取到的特征信息进行降维，一方面使特征图变小，简化网络计算复杂度并在一定程度上避免过拟合的出现；一方面进行特征压缩，提取主要特征。最大池采样在计算机视觉中的价值体现在两个方面： (1)、它减小了来自上层隐藏层的计算复杂度； (2)、这些池化单元具有平移不变性，即使图像有小的位移，提取到的特征依然会保持不变。由于增强

覃秉丰的课程社区_NO_1

1

社区成员

88

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章