池化层

池化层是用来缩减模型，提高计算速度，同时提高所取得特征的鲁棒性

池化层是用来降采样subsample, shrink, 减少计算负荷，内存使用，参数数量（防止过拟合）

正如卷积神经网络一样，在池化层中的每个神经元被连接到上面一层输出的神经元，只对应一小块感受野的区域。 我们必须定义大小，步长，padding类型

池化层没有权重值，他只是聚合输入根据取最大值或者求均值

池化层的例子： 2×2的池化核，步长为2，没有填充，只有最大值往下传，其他输入被丢弃掉了； 直观的理解说就是，因为取最大值，所以较小值就会被忽略，也就是不重要的特征会被忽略
在这里插入图片描述
我们可以把池化后的结果看作是某些特征的集合，比如垂直边缘，或者一只眼睛
一般池化层用在卷积层后面，也就意味着当你做了特征的抽取之后，有一个过滤的功能，把比较弱的特征过滤掉.

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

平均池化

平均池化选取的不是每个过滤器的最大值，而是平均值
最大池化更常用，但是对很深的神经网络而言，你可以用平均池化来分解规模为7x7x1000的网络的表示层，在整个空间求平均值，得到1x1x1000在这里插入图片描述

池化层参数的总结

超参数：

f: 过滤器大小

s：步长

最大池化或者平均池化

没有padding！所以池化层公式就变为： ((n – f )/ s + 1) x ((n – f )/ s + 1) x nc

最大池化层是一个静态属性

卷积神经网络的示例2

在这里插入图片描述

为什么要用卷积神经网络

既然我们能把图像数据化，那我们可以可以不用卷积神经网络呢，直接用深度神经网络呢？

可以，但是运算量很大

比如LeNet，第一层就需要1400万个参数，而且要知道32×32是一个非常非常小的图像

但是用卷积神经网络，第一层只有156个参数

卷积神经网络流程

在这里插入图片描述

tensorflow_cnn_mnist执行逻辑

目的：通过卷积神经网络来实现手写数字识别验证

此卷积网络使用SAME
p = （5-1）/2 = 2在这里插入图片描述在这里插入图片描述

tensorflow_cnn_mnist参数

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

夜河资源网提供的所有内容仅供学习与交流。通过使用本站内容随之而来的风险以及法律责任与本站无关，所承担的法律责任由使用者承担。
一、如果您发现本站侵害了相关版权，请附上本站侵权链接和您的版权证明一并发送至邮箱：yehes#qq.com（#替换为@）我们将会在五天内处理并断开该文章下载地址。
二、本站所有资源来自互联网整理收集，全部内容采用撰写共用版权协议，要求署名、非商业用途和相同方式共享，如转载请也遵循撰写共用协议。
三、根据署名-非商业性使用-相同方式共享 (by-nc-sa) 许可协议规定，只要他人在以原作品为基础创作的新作品上适用同一类型的许可协议，并且在新作品发布的显著位置，注明原作者的姓名、来源及其采用的知识共享协议，与该作品在本网站的原发地址建立链接，他人就可基于非商业目的对原作品重新编排、修改、节选或者本人的作品为基础进行创作和发布。
四、基于原作品创作的所有新作品都要适用同一类型的许可协议，因此适用该项协议， 对任何以他人原作为基础创作的作品自然同样都不得商业性用途。
五、根据二〇〇二年一月一日《计算机软件保护条例》规定：为了学习和研究软件内含的设计思想和原理，通过安装、显示、传输或者存储软件等方式使用软件的，可不经软件著作权人许可，无需向其支付报酬！
六、鉴此，也望大家按此说明转载和分享资源！本站提供的所有信息、教程、软件版权归原公司所有，仅供日常使用，不得用于任何商业用途，下载试用后请24小时内删除，因下载本站资源造成的损失，全部由使用者本人承担！