machine-learning - strides = 2 的 tf.nn.conv2d 和 2x2 池化的 tf.nn.max_pool 之间有什么区别？

Question

如上所述，两者都

tf.nn.conv2d with strides = 2

和

tf.nn.max_pool with 2x2 pooling

可以将输入的大小减少一半，我知道输出可能会有所不同，但我不知道这是否会影响最终的训练结果，对此有任何线索，谢谢。

Answer 1

在您的两个示例中，假设我们有一个应用了步长[2,2]的[height, width]内核。这意味着我们将内核应用于 2-D 输入上大小为 [height, width] 的 2-D 窗口以获得输出值，然后将窗口向上或向下滑动 2获取下一个输出值。

假设 padding='SAME'

，在这两种情况下，最终输出都会比输入少 4 倍(每个维度都少 2 倍)

区别在于如何计算每个窗口的输出值:

转换2d

• 输出是输入值乘以[height, width]内核中每个单元的权重的线性组合
• 这些权重成为模型中的可训练参数

最大池

• 输出只是在输入值的[height, width]窗口中选择最大输入值
• 此操作没有引入任何权重和可训练参数