深度学习与神经网络(七)——卷积神经网络之池化 & upsample与downsample
池化层pooling与采样
upsample与downsample
upsample是上采样,类似图片的放大
downsample是下采样,类似图片的缩小
比如这种隔行采样就是下采样
在卷积神经网络中使用的采样方式就是pooling,有点类似下采样,但不太一样
pooling也是把feature map变小的操作
pooling有多种方式,如max pooling, avg pooling
Max pooling是取窗口中最大的值
这里的stride是2,如果是1的话生成的矩阵应该是3*3的了
Avg pooling 就是取窗口中数字的平均值
在最原始的LeNet5用的还不是pooling,用的是subsampling,就是downsampling,就是隔行采样
从AlexNet开始引入了pooling操作
pytorch的pooling操作
因为处理的是二维的图片,所以是MaxPool2d()
MaxPool2d第一个参数是window的大小,第二个参数是stride移动步长
两个都是2注定结果的size是原图的减半
同样pool操作也有nn.和F. 两个版本
upsample操作
upsample是通过插值,即interpolate
scale_factor是放大几倍
mode有多种