【深度學習篇】--神經網絡中的池化層和CNN架構模型

一、前述 本文講述池化層和經典神經網絡中的架構模型。 二、池化Pooling 1、目標 降採樣subsample，shrink（濃縮），減少計算負荷，減少內存使用，參數數量減少（也可防止過擬合） 減少輸入圖片大小（降低了圖片的質量）也使得神經網絡可以經受一點圖片平移，不受位置的影響（池化後相當於把圖片上的點平移了） 正如卷積神經網絡一樣，在池化層中的每個神經元被連接到上面一層輸出的神經元，只對應一

>>阅读原文<<