卷积神经网络与下采样？答案

【问题标题】：Convolutional neural networks vs downsampling?卷积神经网络与下采样？
【发布时间】：2016-11-01 00:21:14
【问题描述】：

在阅读了该主题后，我并不完全理解：神经网络中的“卷积”是否可以与简单的下采样或“锐化”功能相媲美？

你能把这个术语分解成一个简单易懂的形象/类比吗？

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？

【问题讨论】：

【解决方案1】：

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。它由分层数量的层构建，并且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巨大 (~ nr_of_kernels * size_of_kernel_output)，这可能会使您的计算变得难以处理。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，在该操作中，所有内核的所有输出都不是作为层的输出传递 - 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，并被广泛用于 CNN 设计中。

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?

【讨论】：