全局平均汇聚层
全局平均池化层通过计算输入的高度和宽度维度的平均值来执行下采样。
在图像分类网络中,可以使用globalAveragePooling2dLayer
在最终完全连接层之前,可以在不牺牲性能的前提下减少激活层的尺寸。激活的减少意味着下游完全连接的层将拥有更少的权重,从而减少您的网络的大小。
你可以使用globalAveragePooling2dLayer
接近终点的是一个分类网络而不是一个fullyConnectedLayer
.由于全局池化层没有可学习的参数,它们可以减少过拟合的倾向,并可以减少网络的规模。这些网络在输入数据的空间转换方面也更强大。你也可以用globalMaxPooling2dLayer
代替。是否globalMaxPooling2dLayer
或者一个globalAveragePooling2dLayer
是否更合适取决于您的数据集。
要使用全局平均池化层而不是完全连接层,输入的大小globalAveragePooling2dLayer
在分类问题中是否必须匹配类数
averagePooling2dLayer
|convolution2dLayer
|globalAveragePooling3dLayer
|globalMaxPooling2dLayer
|maxPooling2dLayer