卷积神经网络与下采样？
Convolutional neural networks vs downsampling?
读完这个主题后我没有完全理解：神经网络中的 'convolution' 是否可以与简单的下采样或 'sharpening' 函数相媲美？
你能把这个词分解成简单易懂的image/analogy吗？
编辑：第一个答案后改写：池化可以理解为权重矩阵的下采样吗？
卷积神经网络 是一系列模型，经经验证明在图像识别方面效果很好。从这个角度来看 - CNN 与下采样完全不同。
但是在 CNN 设计中使用的框架中，有一些东西可以与下采样技术相媲美。要完全理解这一点，您必须了解 CNN 通常是如何工作的。它是由分层数量的层构建的，在每一层都有一组可训练的内核，其输出的维度与输入图像的空间大小非常相似。
这可能是一个严重的问题 - 此类层的输出可能非常庞大 (~ nr_of_kernels * size_of_kernel_output)，这可能会使您的计算变得棘手。这就是为什么使用某些技术来减小输出大小的原因：
- 步幅、填充和内核大小操作：将这些值设置为某个值，您可以减小输出的大小（另一方面 - 您可能会丢失一些重要信息）。
- 池化操作：池化是一种操作，其中不是将所有内核的所有输出作为层的输出传递——您可能只传递有关它的特定聚合统计信息。它被认为非常有用，并广泛用于 CNN 设计。
有关详细说明，您可以访问此 tutorial。
编辑： 是的，池化是一种下采样
读完这个主题后我没有完全理解：神经网络中的 'convolution' 是否可以与简单的下采样或 'sharpening' 函数相媲美？
你能把这个词分解成简单易懂的image/analogy吗？
编辑：第一个答案后改写：池化可以理解为权重矩阵的下采样吗？
卷积神经网络 是一系列模型，经经验证明在图像识别方面效果很好。从这个角度来看 - CNN 与下采样完全不同。
但是在 CNN 设计中使用的框架中，有一些东西可以与下采样技术相媲美。要完全理解这一点，您必须了解 CNN 通常是如何工作的。它是由分层数量的层构建的，在每一层都有一组可训练的内核，其输出的维度与输入图像的空间大小非常相似。
这可能是一个严重的问题 - 此类层的输出可能非常庞大 (~ nr_of_kernels * size_of_kernel_output)，这可能会使您的计算变得棘手。这就是为什么使用某些技术来减小输出大小的原因：
- 步幅、填充和内核大小操作：将这些值设置为某个值，您可以减小输出的大小（另一方面 - 您可能会丢失一些重要信息）。
- 池化操作：池化是一种操作，其中不是将所有内核的所有输出作为层的输出传递——您可能只传递有关它的特定聚合统计信息。它被认为非常有用，并广泛用于 CNN 设计。
有关详细说明，您可以访问此 tutorial。
编辑： 是的，池化是一种下采样