machine-learning - 卷积神经网络与下采样？

Question

阅读完该主题后，我不完全理解:神经网络中的“卷积”是否可以与简单的下采样或“锐化”函数相媲美？

你能把这个术语分解成一个简单易懂的图像/类比吗？

编辑:在第一个答案后改写:池可以理解为权重矩阵的下采样吗？

Answer 1

卷积神经网络是一系列模型，经经验证明在图像识别方面效果很好。从这个角度来看 - CNN 与下采样完全不同。

但是在CNN设计中使用的框架中，有一些类似于下采样技术的东西。要完全理解这一点，您必须了解 CNN 通常是如何工作的。它是由分层数量的层构建的，在每一层都有一组可训练的内核，其输出的尺寸与输入图像的空间尺寸非常相似。

这可能是一个严重的问题 - 该层的输出可能非常巨大( ~ nr_of_kernels * size_of_kernel_output )，这可能会使您的计算变得棘手。这就是为什么使用某些技术来减小输出大小的原因:

1. 步幅、填充和内核大小操作:将这些值设置为某个值，您可以减小输出的大小(另一方面 - 您可能会丢失一些重要信息)。
2. 池化操作:池化是一种操作，在该操作中，您可以仅传递有关它的特定聚合统计信息，而不是将所有内核的所有输出作为层的输出传递。它被认为非常有用，并广泛应用于 CNN 设计中。

有关详细说明，您可以访问此 tutorial .

编辑:是的，池化是一种下采样😊