image - 最大池化 VS 求和池化

Question

阅读 Convolutional Neural Networks (LeNet) 后，我已经_部分理解了最大池化:

Another important concept of CNNs is max-pooling, which is a form of non-linear down-sampling. Max-pooling partitions the input image into a set of non-overlapping rectangles and, for each such sub-region, outputs the maximum value.

求和池怎么样？我找不到任何容易理解的文章。

Answer 1

卷积神经网络在处理高维数据方面做得很好。由于图像或声音的不变性，将权重数量限制为核权重使得学习变得更容易。但是，如果您仔细观察正在发生的情况，您可能会注意到，如果您不采取池化等技巧，那么在第一个卷积层之后，数据的维度可能会严重增加。

最大池化只需从卷积层的固定区域获取最大输入即可减少数据的维度。 总和池以类似的方式工作 - 通过获取输入的总和而不是最大值。

这些方法之间的概念差异在于它们能够捕获的不变性。 最大池化对池化区域中某些模式的存在敏感。 总和池(与均值池成比例)测量给定区域中模式存在的平均值。

更新:

总和池/平均池的子区域设置与最大池完全相同，但不使用ma​​x函数，而是使用<强>总和/平均值。您可以阅读 here在关于池的段落中。