卷积神经网络与下采样？

Question

读完这个主题后，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？

你能把这个词分解成一个简单易懂的形象/类比吗？

编辑：在第一个答案之后改写：池化可以理解为权重矩阵的下采样吗？

Answer 1

卷积神经网络是一系列模型，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。它由分层数量的层构建，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 - 该层的输出可能非常大 ( ~ 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：

1. 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）。
2. 池化操作：池化是一种操作，在该操作中，您可以只传递有关它的特定聚合统计信息，而不是将所有内核的所有输出作为层的输出传递。它被认为非常有用，并广泛用于CNN设计。

有关详细说明，您可以访问本教程。

编辑：是的，池化是一种下采样