《深度学习:卷积神经网络从入门到精通》——2.9 上下采样运算
【摘要】 本书摘自《深度学习:卷积神经网络从入门到精通》——书中第2章,第2.9节,作者是李玉鑑、张婷、单传辉、刘兆英等。
2.9 上下采样运算
在卷积神经网络中,还可能涉及两种采样运算:上采样和下采样。上采样与下采样之间存在着某种对应关系。不同的下采样运算,相应的上采样运算一般是不同的。常用的下采样有两种:平均下采样(average dowmsampling,或mean downsampling)和最大下采样(max downsampling)。这两种下采样又分别称为平均池化和最大池化。相应的上采样称为平均上采样和最大上采样。
对一个矩阵A进行下采样,首先要对它分块。标准的分块操作是不重叠的,理论上分块也可以是重叠的,但分块的数目相对较多。如果分块不重叠且每块的大小为λ×τ,则其中的第ij个块可以表示为
(2.78)
其中,(i?-?1)·λ + 1≤s≤i·λ,(j?-?1)·τ + 1≤t≤j·τ。
对??的平均下采样定义为
(2.79)
对??的最大下采样定义为
?(2.80)
如果用大小为λ×τ的块对矩阵A进行不重叠平均下采样,结果定义为
(2.81)
相应地,对矩阵Davg进行倍数为λ×τ的不重叠平均上采样,结果定义为
(2.82)
其中,1λ×τ是一个元素全为1的矩阵,?代表克罗内克积。
如果用大小为λ×τ的块对矩阵A进行不重叠最大下采样,结果定义为
(2.83)
相应地,对矩阵进行倍数为λ×τ的不重叠最大上采样,结果定义为一个分块矩阵,即
(2.84)
其中,所有Uij =(ukl)λ×μ都是大小为λ×τ的矩阵,每个元素的定义如下:
(2.85)
根据上述定义,如果矩阵?,那么其2×2不重叠平均下采样和最大下采样分别为
(2.86)
相应的平均上采样和最大上采样分别为
(2.87)
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论(0)