ubuntu之路——day17.3 简单的CNN和CNN的常用结构池化层-LMLPHP

来看上图的简单CNN:

从39x39x3的原始图像 不填充且步长为1的情况下经过3x3的10个filter卷积后 得到了

37x37x10的数据 不填充且步长为2的情况下经过5x5的20个filter卷积后 得到了

17x17x20的数据 不填充且步长为2的情况下经过5x5的40个filter卷积后 得到了

7x7x40的最终结果

将7x7x40的卷积层全部展开作为输入特征,建立一个输入层单元数为1960的神经网络即可

卷积神经网络常见的结构:

1.Conv卷积层如上图所见

2.Pool池化层

3.FullyConnected全连接层

Pooling layer 池化层:

池化层的作用:缩减模型大小,提高计算速度,增强提取特征的鲁棒性

ubuntu之路——day17.3 简单的CNN和CNN的常用结构池化层-LMLPHP

最大池化层,顾名思义,就是把每次filter的卷积过程换为对区域内的所有数字求最大值的过程,如上图所示,在指定filter大小和步长s后可以得到最终的结果为2x2,然后每次求不同区域内的最大值即可。

ubuntu之路——day17.3 简单的CNN和CNN的常用结构池化层-LMLPHP

平均池化层,这种池化层的应用要比最大池化层少。一般应用于很深的网络中,比如上浅层的信道层的网络等,原理与最大池化层相同,只是每次对filter的区域求平均值。

注意:

一般而言,池化层的超参数只有filter的大小f和步长s,在池化层中一般不用填充padding,因此p一般为0。

堆叠的池化层操作与卷积操作相同,对每个信道单独求max/average然后堆叠即可。

05-11 19:24