Python深度学习pytorch神经网络汇聚层理解
我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通过逐渐聚合信息，生成越来越粗糙的映射，最终实现学习全局表示的目标，同时将卷积图层的所有有时保留在中间层。
此外，当检测较底层的特征时（例如之前讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。例如，如果我们拍摄黑白之间轮廓清晰的图像X，并将整个图像向右移动一个像素，即Z[i, j] = X[i, j+1]，则新图像Z的输出可能大不相同。而在现实中，随着拍摄角度的移动，任何物体几乎不可能发生在同一像素上。即使用三脚架拍摄一个静止的物体，由于快门的移动而引起的相机振动，可能会使所有物体左右移动一个像素（除了高端相机配备了特殊功能来解决这个问题）。
本节将介绍池化（pooling）层，它具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。
最大汇聚层和平均汇聚层
与卷积层类似，汇聚层运算符由一个固定形状的窗口组成，该窗口根据其步幅大小在输入的所有区域上滑动，为固定形状窗口（有时称为池化窗口）遍历的每个位置计算一个输出。然而，不同域卷积层的输入与卷积核之间的互相关计算，汇聚层不包含参数。相反，池运算符是确定性的，我们通常计算池化窗口中所有元素的最大值或平均值。这些操作分别称为最大汇聚层（maximum pooling）和平均汇聚层（average pooling）。
在这两种情况下，与互相关运算符一样，池化窗口从输入张量的左上角开始，从左到右、从上到下的在输入张量内移动。
填充和步幅
和先前一样，我们可以通过填充和步幅以获得所需的输出形状。
多个通道
在处理多通道输入数据时，汇聚层在每个输入通道上单独运算，而不是像卷积层一样在通道上对输入进行汇总。这意味着汇聚层的输出通道数与输入通道数相同。
以上就是Python深度学习pytorch神经网络汇聚层理解的详细内容，更多关于pytorch神经网络的资料请关注脚本之家其它相关文章！
相关文章
本文使用python-opencv将本地视频逐帧保存为图片（.jpg）格式,将保存的图片放在当前目录的一个文件夹内,具有一定的参考价值,感兴趣的可以了解一下2023-09-09
这篇文章主要介绍了Python设计模式之装饰模式,结合实例形式详细分析了装饰模式的概念、原理并结合Python实例形式分析了装饰模式的相关使用技巧,需要的朋友可以参考下2019-01-01
本文主要介绍了python中sub-pub机制实现Redis的订阅与发布，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-03-03
在本篇文章里小编给大家分享的是一篇关于Python3基础语法知识点总结内容，有兴趣的朋友们可以学习下。2021-05-05
这篇文章主要为大家详细介绍了如何利用Pytorch复现扩散模型，文中的示例代码讲解详细，具有一定的学习价值，感兴趣的可以跟随小编一起了解一下2023-04-04
这篇文章主要为大家详细介绍了Windows 7下Python Web环境搭建图文教程，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-03-03
这篇文章主要为大家详细介绍了Python基础语法中变量与数据类型的用法，文中的示例代码讲解详细，对我们学习Python有一定的帮助，感兴趣的可以了解一下2022-07-07
在不同行业中，我们经常会遇到一个麻烦的问题：数据清洗，尤其是当我们需要处理客户编码异常数据时，下面小编就来和大家分享一下常用的解决办法吧2023-07-07
大家好，本篇文章主要讲的是用python生成一张壁纸实例代码，感兴趣的同学赶快来看一看吧，对你有帮助的话记得收藏一下2022-02-02
这篇文章主要介绍了Python中的变量赋值，Python中的变量在使用中很流畅，可以不关注类型，任意赋值，对于开发来说效率得到了提升，但不了解其中的机理，往往也会犯一些小错，让开发进行的不那么流畅，本文就从语言设计和底层原理的角度，带大家理解Python中的变量。2021-10-10
最新评论