卷积神经网络中的池化过程，是对输入层池化，还是提取特征值后再池化？
关于#神经网络#的问题：卷积神经网络中的池化过程，是对输入层池化，还是提取特征值后再池化
- 写回答
- 好问题 0 提建议
- 关注问题
分享- 邀请回答
-
3条回答 默认 最新
似水不惧 2022-06-17 11:47关注卷积神经网络结构决定它先利用卷积层提取特征，将提取的特征输入到池化层进行池化，和输入层没关系了
本回答被题主选为最佳回答 , 对您是否有帮助呢?解决 无用评论 打赏举报 分享
- 2021-01-04 10:51回答 3 已采纳 所有各种层连接在一起被叫做神经网络，如果这个神经网络只有全连接层，则叫做全连接神经网络。 “通过这三个层次将一个多种颜色通道高像素的图片提取特征，进行简化，然后将简化的结果当作一个全连接神经网络的输
- 2020-05-01 15:39回答 1 已采纳 星期几可以用 1 2 3 4 5 6 7 表示 时间可以以这个时间距当天0:00的分钟数作为数据。比如8:05可以表示为485 11:20可以表示为680
- 2017-11-24 12:10回答 1 已采纳 输出每步的loss试试，看到底有没有下降
- 2023-01-21 20:53本资料“卷积神经网络核心：特征提取”将深入探讨CNN如何通过其独特的结构来有效地提取图像特征。 CNN的核心特性包括卷积层、池化层、激活函数和全连接层。这些组件共同作用，使得CNN能够从原始像素数据中学习到...
- 2021-05-25 18:45回答 2 已采纳 以下是我想出来的几个思路用于重新考虑你自己的神经网络。 1. 你用了几层神经网络？一层神经网络很可能无法解决异或等线性不可分问题，多层神经网络加上非线性激活函数可以解决这一问题。 2. 你是自己手
- 2021-06-09 10:53回答 2 已采纳 这个需要建立字典封装起来
- 2021-07-19 21:04回答 1 已采纳 首先怀疑过拟合, 减少迭代次数, 像这种非常简单的数据拟合, 完全不需要200这么大的周期, 一般30-50个足够
- 2024-04-01 21:59longerVR的博客 池化层（Pooling Layer）是深度学习神经网络中的一个重要组成部分，通常用于减少特征图的空间尺寸，从而降低模型复杂度和计算量，同时还能增强模型的不变性和鲁棒性。池化层在CNN中起到了非常重要的作用，可以有效地...
- 2017-07-04 07:37回答 1 已采纳 问题解决了，是激活函数的问题，relu激活函数的激活率太低，很多神经元死掉了
- 2021-02-01 11:00回答 1 已采纳 1，如果网路中使用了normalization层，则不需要重新归一化； 2，如果不放心，可以使用“截断”，让小于0的变成0，大于1的变成1即可。
- 2022-03-27 13:50回答 2 已采纳 n = int(input(">>>")) for i in range(1, n + 1): print(f"{str(i)*i:>{n}}")
- 2024-11-19 10:58搏博的博客 具体操作则是，基于局部相关性的思想，通过从局部相关的一组元素中进行采样或信息聚合，从而得到新的元素值。...池化层的主要作用是通过减少特征图的尺寸来降低计算量，并且可以提取出特征图的主要信息。
- 2023-09-26 10:07卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉等领域。Visio是一款强大的图形绘制软件，能够帮助用户创建各种专业图表，包括复杂的神经网络结构图。本...
- 2022-04-22 02:58卷积神经网络（CNN）是深度学习领域中的关键模型，特别是在图像识别和处理任务中表现卓越。本项目采用Verilog语言实现了一个完整的CNN框架，涵盖了CNN的四个核心组成部分：卷积层、ReLU激活层、全连接层（FC）以及...
- 2024-08-03 08:35绎岚科技的博客 在深度学习的广阔领域中，卷积神经网络（CNN）以其卓越的特征提取能力，在图像识别、视频处理及自然语言处理等多个领域展现出非凡的潜力。而池化（Pooling）作为CNN中的关键组件之一，扮演着不可或缺的角色。池化层...
- 没有解决我的问题, 去提问
问题事件
系统已结题
6月25日
已采纳回答
6月17日-
创建了问题
6月17日