<!-- {%hackmd Ann29YtHQ064QvxqYLZF3w %}-->6.1.5~6.2.2
===

[TOC]

# 6.1.5 池化 pooling

- 緩解卷積後對位置過於敏感的問題
- 跨度大於1時，圖形成倍減小，減少後續計算量，提高效率
- 輸入和輸出通道數不變
- 分類:
- max pooling
- average pooling
- min pooling


---

# 6.2 卷積神經網路概述

全連接神經網路，輸入樣本必須用一維向量表示，不適合處理圖形
若將圖形攤平成一維 --> 效率低、無法找出內在結構(2維的鄰近像素特徵)
因此，多維資料適合用卷積網路處理

:::info
***標誌性事件:***
2012年AlexNet獲得ImageNet[(link)](https://zh.wikipedia.org/zh-tw/ImageNet)的冠軍
--> 卷積神經網路受到重視
:::

## 6.2.1 全連接神經元和卷積神經元

- **全連接神經元**
- 對輸入特徵直接進行加權合 $\sum^n_{i=0}{\omega_i}*{\alpha_i}$
- 每個神經元的權值數量 == 輸入的特徵數目 --> 大 量 的 權 值 參 數 --> 大量使用記憶體 --> 模型複雜、易過擬合(參數過多)
- 一個全連接神經元 --> 只產生**一個**輸出值 --> 需要很多全連接神經元才能璀取出足夠多的特徵

- **卷積神經元**
- 僅用一個卷積核心進行卷積操作
- 使用的參數數目(通常)遠小於輸入的特徵數目 --> 有效防止過擬合
- 一個卷積神經元 --> 一個包含**多個特徵**的特徵圖(feature map)輸出 --> 只需少量神經元

卷積神經元 : 由上到下:arrow_down:，由左到右:arrow_right: 移動處理資料

:::warning
解析度小於原輸入(但效率較高)
:::

## 6.2.2 卷積層和卷積神經網路

- 卷積層: 全部都由卷積神經元所組成的層，通常用ReLU當啟動函數
- 卷積神經網路(最常用的三種網路層):卷積層、全連接層、池化層(通常用最大池化)

:::info
卷積神經網路與人類觀察多維資料時的思考結構相似
:::

問題:1.池化的目的是什麼? 2.舉出一個卷積神經元的優點 3.卷積神經網路通常用的池化是哪一種(平均池化，最大池化，最小池化)