减小卷积神经网络（CNN）中特征图的大小
Ahm*_*med 3 machine-learning deep-learning conv-neural-network
我正在阅读一篇实现 CNN 的论文，但我不明白这句话我们不是使用最大池层来减小特征图的大小，而是使用步幅增加的卷积层。 我不知道这如何取代最大池化，我缺少什么？
简单地说，CNN 的滤波器的工作原理是在每个可能的位置上移动滤波器矩阵（例如，为了简单起见，使用 3x3x1，如下图所示）。这意味着您每次将过滤器向右移动一位，当该行准备好时，您可以向后和向下移动。
在下面的 gif 中，原始图像是虚线，滤镜是灰色的东西，结果是绿色图像：
不过，您也可以每次移动 2。这与您简单地对结果进行二次采样是一样的。如果移动步长为 2，则将要素图尺寸除以 2（两者）。这意味着你的特征图只有原始大小的 1/4。这与池化减少特征图大小的方式完全相同。事实上，卷积滤波器可以学习平均池化和最大池化。