池化（pooling）是卷積神經網路中另乙個重要的概念，它實際上是一種形式的降取樣。有多種不同形式的非線性池化函式，而其中「最大池化（max pooling）」是最為常見的。它是將輸入的影象劃分為若干個矩形區域，對每個子區域輸出最大值。直覺上，這種機制能夠有效地原因在於，在發現乙個特徵之後，它的精確位置遠不及它和其他特徵的相對位置的關係重要。池化層會不斷地減小資料的空間大小，因此引數的數量和計算量也會下降，這在一定程度上也控制了過擬合
通常來說，cnn的卷積層之間都會周期性地插入池化層。
池化層通常會分別作用於每個輸入的特徵並減小其大小。當前最常用形式的池化層是每隔2個元素從影象劃分出2*2的區塊，然後對每個區塊中的4個數取最大值（這種方法的引數為 2x）。這將會減少75%的資料量。
卷積神經網路 池化層
池化層的作用 增加平移不變性 降取樣，即降維 增大感受野 平移的不變性是指當我們對輸入進行少量平移時，經過池化函式後的大多數輸出並不會發生改變。區域性平移不變性是乙個有用的性質，尤其是當我們關心某個特徵是否出現，而不關心它出現的具體位置時。保留主要特徵的同時減少引數和計算量，防止過擬合，提高模型泛化...
卷積神經網路池化層和卷積層作用
個人覺得主要是兩個作用 1.invariance 不變性 這種不變性包括translation 平移 rotation 旋轉 scale 尺度 2.保留主要的特徵同時減少引數 降維，效果類似pca 和計算量，防止過擬合，提高模型泛化能力 1 translation invariance 這裡舉乙個直...
卷積神經網路 卷積神經網路啟用層
在生物意義上的神經元中，只有前面的樹突傳遞的訊號的加權和值大於某乙個特定的閾值的時候，後面的神經元才會被啟用。簡單的說啟用函式的意義在於判定每個神經元的輸出 放在人臉識別卷積神經網路中來思考，卷積層的啟用函式的意義在於這一塊區域的特徵強度如果沒有達到一定的標準，就輸出0，表明這種特徵提取方式 卷積核...