我正在阅读一篇实现 CNN 的论文，但我不明白这句话 我们没有使用最大池化层来减小特征图的大小，而是使用步幅增加的卷积层。
我不知道这如何取代最大池化，我缺少什么？
最佳答案
天真地说，CNN 的过滤器通过在每个可能的位置上移动过滤器矩阵(例如，为简单起见，如下图所示为 3x3x1)来工作。这意味着您每次都将过滤器向右移动一位，当该行准备好时，您可以前后移动。
在下面的 gif 中，原始图像是虚线，过滤器是灰色的，结果是绿色图像:
但是，您也可以每次移动 2。这与您简单地对结果进行二次采样是一样的。如果以 2 的步幅移动，则将特征图维度除以 2(两者)。这意味着您的特征图只有原始大小的 1/4。这与池化减少特征图大小的方式完全相同。事实上，卷积滤波器可以学习平均和最大池化。
关于machine-learning - 减少卷积神经网络(CNN)中特征图的大小，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/41922904/