Machine learning 子采样层和卷积层之间的差异（卷积神经网络）

有人能解释一下卷积层和子采样层之间的区别吗

---

在卷积步骤中，我们定义了卷积滤波器及其权重，对吗，在次采样步骤中，我们应用卷积滤波器，并通过使用步长和池来确定其大小。主要区别在于卷积是一种旨在从输入中提取特征的操作，而次采样的目的只是减少输入的维数。在标准CNN中，卷积层具有可训练的参数，这些参数在训练过程中进行调整，而子采样层是一个常量操作（通常由最大池层执行）。在CNN中，这种最大池通常有助于为模型添加一些空间不变性

我认为你的最后一段不是正确的看法

卷积：您有一个特定大小的过滤器。输出是该滤波器与输入的不同区域（大小相似）的元素相乘。 您可以使用卷积滤波器的步长来执行输入的子采样。 例如：

对于7x7的输入，使用相同大小的过滤器，在第一幅跨距为1像素的图像中，我们获得5x5的输出，而在第二幅图像中使用2像素的跨距，我们获得3x3的输出。因此，从技术上讲，我们将子采样作为卷积层的一部分，但子采样是不可训练的（步幅大小是恒定的）

更常见的情况是，在谈论子采样层时（这可能是您发布的图像中的情况），意思是最大池层，类似于卷积，也有一个过滤器和一个一定大小的跨步。但是，没有可训练的权重（输出仅为每个区域的最大像素）：

---

一种罕见的情况是使用一个平均池层作为该子采样层。

主要区别在于卷积是一种旨在从输入中提取特征的操作，而子采样的目的只是减少输入的维数。在标准CNN中，卷积层具有可训练的参数，这些参数在训练过程中进行调整，而子采样层是一个常量操作（通常由最大池层执行）。在CNN中，这种最大池通常有助于为模型添加一些空间不变性

我认为你的最后一段不是正确的看法

卷积：您有一个特定大小的过滤器。输出是该滤波器与输入的不同区域（大小相似）的元素相乘。 您可以使用卷积滤波器的步长来执行输入的子采样。 例如：

对于7x7的输入，使用相同大小的过滤器，在第一幅跨距为1像素的图像中，我们获得5x5的输出，而在第二幅图像中使用2像素的跨距，我们获得3x3的输出。因此，从技术上讲，我们将子采样作为卷积层的一部分，但子采样是不可训练的（步幅大小是恒定的）

更常见的情况是，在谈论子采样层时（这可能是您发布的图像中的情况），意思是最大池层，类似于卷积，也有一个过滤器和一个一定大小的跨步。但是，没有可训练的权重（输出仅为每个区域的最大像素）：

一个罕见的情况是使用一个平均池层作为这个子采样层