网站seo优化效果,韩国世界杯出线几次,wordpress下载的主题怎么用,网络推广技巧文章目录 池化最大池化平均池化 池化
最大池化
最大池化#xff08;Max Pooling#xff09;是卷积神经网络中常用的一种池化技术。其操作是#xff1a;在输入特征图的一个局部窗口内选取最大的值作为该窗口的输出。
数学表达式如下#xff1a;
考虑一个输入特征图 A A… 文章目录 池化最大池化平均池化 池化
最大池化
最大池化Max Pooling是卷积神经网络中常用的一种池化技术。其操作是在输入特征图的一个局部窗口内选取最大的值作为该窗口的输出。
数学表达式如下
考虑一个输入特征图 A A A并定义一个大小为 f × f f \times f f×f 的池化窗口和步长 s s s。对于输出特征图 M M M 中的元素 M ( i , j ) M(i,j) M(i,j)其值由以下公式确定 M ( i , j ) max u 0 f − 1 max v 0 f − 1 A ( i × s u , j × s v ) M(i,j) \max_{u0}^{f-1} \max_{v0}^{f-1} A(i \times s u, j \times s v) M(i,j)maxu0f−1maxv0f−1A(i×su,j×sv)
其中 M ( i , j ) M(i,j) M(i,j) 是输出特征图的第 ( i , j ) (i,j) (i,j) 个元素。 max \max max 表示最大值操作。 u u u 和 v v v 都是在 [ 0 , f − 1 ] [0, f-1] [0,f−1] 范围内变化的索引它们用于遍历池化窗口内的每一个元素。 s s s 是步长定义了池化窗口在输入特征图上移动的距离。 A ( i × s u , j × s v ) A(i \times s u, j \times s v) A(i×su,j×sv) 是输入特征图 A A A 中与输出特征图 M ( i , j ) M(i,j) M(i,j) 对应的局部窗口的元素。
这个公式简单地描述了最大池化的操作对于每个输出元素 M ( i , j ) M(i,j) M(i,j)都在输入特征图 A A A 的相应局部窗口中找到最大的值。
//最大池化
Eigen::MatrixXf Pooling::maxPoolingForward(const Eigen::MatrixXf input,int m_poolSize,int m_stride)
{int outputHeight (input.rows() - m_poolSize) / m_stride 1;int outputWidth (input.cols() - m_poolSize) / m_stride 1;Eigen::MatrixXf output(outputHeight, outputWidth);for (int i 0; i outputHeight; i){for (int j 0; j outputWidth; j){output(i, j) input.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).maxCoeff();}}return output;
}
//最大池化 反向
Eigen::MatrixXf Pooling::maxPoolingBackward(const Eigen::MatrixXf input, const Eigen::MatrixXf gradient,int m_poolSize,int m_stride)
{Eigen::MatrixXf output Eigen::MatrixXf::Zero(input.rows(), input.cols());int outputHeight gradient.rows();int outputWidth gradient.cols();for (int i 0; i outputHeight; i){for (int j 0; j outputWidth; j){int row,col;input.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).maxCoeff(row,col);output(i * m_stride row, j * m_stride col) gradient(i, j);}}return output;
}平均池化
平均池化Average Pooling是卷积神经网络中另一种常用的池化技术。其操作是在输入特征图的一个局部窗口内计算所有值的平均值然后将此平均值作为该窗口的输出。
数学表达式如下
考虑一个输入特征图 A A A并定义一个大小为 f × f f \times f f×f 的池化窗口和步长 s s s。对于输出特征图 M M M 中的元素 M ( i , j ) M(i,j) M(i,j)其值由以下公式确定 M ( i , j ) 1 f × f ∑ u 0 f − 1 ∑ v 0 f − 1 A ( i × s u , j × s v ) M(i,j) \frac{1}{f \times f} \sum_{u0}^{f-1} \sum_{v0}^{f-1} A(i \times s u, j \times s v) M(i,j)f×f1∑u0f−1∑v0f−1A(i×su,j×sv)
其中 M ( i , j ) M(i,j) M(i,j) 是输出特征图的第 ( i , j ) (i,j) (i,j) 个元素。 ∑ \sum ∑ 表示求和操作。 u u u 和 v v v 都是在 [ 0 , f − 1 ] [0, f-1] [0,f−1] 范围内变化的索引它们用于遍历池化窗口内的每一个元素。 s s s 是步长定义了池化窗口在输入特征图上移动的距离。 A ( i × s u , j × s v ) A(i \times s u, j \times s v) A(i×su,j×sv) 是输入特征图 A A A 中与输出特征图 M ( i , j ) M(i,j) M(i,j) 对应的局部窗口的元素。 f × f f \times f f×f 是池化窗口的大小。
这个公式描述了平均池化的操作对于每个输出元素 M ( i , j ) M(i,j) M(i,j)都在输入特征图 A A A 的相应局部窗口中计算所有值的平均值。
//平均池化
Eigen::MatrixXf Pooling::averagePoolingForward(const Eigen::MatrixXf input,int m_poolSize,int m_stride)
{int outputHeight (input.rows() - m_poolSize) / m_stride 1;int outputWidth (input.cols() - m_poolSize) / m_stride 1;Eigen::MatrixXf output(outputHeight, outputWidth);for (int i 0; i outputHeight; i){for (int j 0; j outputWidth; j){output(i, j) input.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).mean();}}return output;
}// 反向传播对于平均池化比较简单因为只需要分摊输入梯度到相应的位置。
Eigen::MatrixXf Pooling::averagePoolingBackward(const Eigen::MatrixXf input,const Eigen::MatrixXf gradient,int m_poolSize,int m_stride)
{Eigen::MatrixXf output Eigen::MatrixXf::Zero(input.rows(), input.cols());int inputHeight gradient.rows();int inputWidth gradient.cols();for (int i 0; i inputHeight; i){for (int j 0; j inputWidth; j){output.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).array() gradient(i, j) / (m_poolSize * m_poolSize);}}return output;
}
