做毕业网站的流程,校园活动策划案的范文,自己做的网站还用维护呢,织梦网站做视频池化操作有一个比较独特的特性#xff0c;叫作特征不变性。
很多文章中是这么描述池化的特征不变性的#xff1a;池化操作的特征不变性#xff0c;可以提高模型对图片平移、缩放和旋转等变换的鲁棒性。
之前看到这句话的时候#xff0c;似懂非懂。后来查了一些资料#…池化操作有一个比较独特的特性叫作特征不变性。
很多文章中是这么描述池化的特征不变性的池化操作的特征不变性可以提高模型对图片平移、缩放和旋转等变换的鲁棒性。
之前看到这句话的时候似懂非懂。后来查了一些资料发现这句话说的其实是池化算法对于原始图片的变换具有轻微的容忍度。
也就是说有了池化算法模型可以容忍输入的图像有轻微的旋转、平移或者缩放可以在不改变任何模型算法或结构的情况下依旧推理出正确的结果。
举个例子下面的图片示意了最大池化对于图片轻微旋转的容忍度。 如果输入图片有轻微的旋转经过最大池化只要图片旋转的角度不是很厉害依旧可以在对应位置获取到目标区域中的最大值12。
同样的对于图片的平移和缩放变换池化同样有着类似的轻微容忍度。
注意这里说的是轻微的容忍度。如果一张图片旋转、平移过多那么经过池化输出的结果肯定是不一样的这时模型推理的结果可能也就不一样了。
池化操作除了有这种特征旋转不变性的特点之外还有以下两个优势 减少计算量 经过池化输出的图片在长宽方向上尺寸变得更小了从而减少了后面的层的计算量这一点是显而易见的。 减少过拟合的风险 计算量的减少带来的另一个显著影响就是池化层后面的参数量需求减少。参数越少模型过拟合的风险就越低而这一点在训练过程中尤为重要。 正是因为这些使得池化操作经常出现在CNN网络中。 在 resnet50 这一神经网络中就会有一个最大池化还有一个平均池化当然后面我们也会手写实现这两个算法。
