CNN和池化

CNN

CNN为什么比DNN在图像识别上更好

如果把图像的每个像素都当成一维特征的话，输入特征维度将会非常大，用DNN的话需要训练的参数太过庞大根本无法训练。而CNN采用了参数共享机制有效的减少了需要训练的参数的数目，而且在图像中邻近像素具有比较大的关联性，适合用卷积处理。

 

CNN输出尺寸计算

 

 

池化

池化种类

 max pooling、average pooling

 

池化层主要的作用

（1）首要作用，下采样（downsamping）
（2）降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗等等。各种说辞吧，总的理解就是减少参数量。
（3）实现非线性（这个可以想一下，relu函数，是不是有点类似的感觉？）。
（4）可以扩大感知野。
（5）可以实现不变性，其中不变形性包括，平移不变性、旋转不变性和尺度不变性。