Machine learning 大踏步

在CNN中，如果使用填充，使图像的大小在经过几层卷积后不会缩小，那么我们为什么要使用跨步卷积呢？我想知道，因为跨步卷积也在减小图像的大小。

因为我们想减小图像的大小。有一些原因：

减少计算和内存需求

将局部要素聚合到更高级别的要素

随后的回旋在最初的尺度上会有一个更大的感受野

---

传统上，我们使用池来减小图像的大小，比如最大池。跨步卷积是实现这一点的另一种方法（而且越来越流行）

是的。但是为什么我们在一个网络中使用填充和跨步，就像填充用来增加大小，跨步用来减小大小一样。这不是一个无用的步骤吗……应该正确使用其中一个？？？@AnuragKedia通常我们不会在每一步都使用跨步卷积。我们只是偶尔减少一次采样，所以在每一层填充输出图像的大小将类似于512->512->256->256->128->128->。。。而且很容易理解。如果没有填充，它将像512->510->205->。。。这很难理解。从什么方面来说很难理解？@AnuragKedia研究人员很难理解？还可以简化快捷连接，如在resnet或Unet中。大多数情况下，1或2行/列的像素并不重要，人们倾向于保持简单。