udacity google deep learning 学习笔记
1.为什么要在卷积网络中加入pooling(池化)
如果只利用卷积操作来减少feature map的大小,会失去很多信息。所以想到一种方法,减小卷积时的stride,留下大部分信息,通过池化来减小feature map的大小。
池化的优点:
1.池化操作不会增加parameters
2.实验结果表明用池化的模型准确率更高
池化的缺点:
1.由于减小了卷积的stride,所以会增加计算量
2.同时,池化层的加入使得我们又多了两个超参数(hyper parameters):pooling size和pooling stride
2.为什么要进行1×1 convolution
对输入图片进行卷积相当于一个线性分类器,但如果你在输入图片和卷积层之间加入一个1×1 convolution,那这两层就相当于组合了一个小型的神经网络(非线性)。