Pooling (Downsampling)
특징은 그대로 가되, 컴퓨터 효율을 높이는 것이다.
합성곱 레이어의 출력 데이터(Feature Map(=Activation Map)를 입력으로 받아 크기를 줄이는 작업
쓸데없는 파라미터들의 수를 줄이기 때문에 과적합 방지한다
풀링 작업을 통해 특징을 쉽게 확인, 인공지능이 모양을 더 잘 인식 할 수 있음
풀링 레이어 통과시 크기 감소
즉, 추상화를 통해 이미지의 특징은 그대로 가지고 처리 효율을 높임
풀링의 종류
- Max Pooling : 영역 안의 최대값 추출, 일반적으로 사용
- Average Pooling : 영역 안의 평균값 추출
Convolution Layer VS Pooling Layer
- 학습 파라미터의 유무 (Convolution : Filter)
'Deep Learning' 카테고리의 다른 글
| 분류의 문제에서 활성함수와 손실함수 (0) | 2022.12.30 |
|---|---|
| JPG / PNG 같은 이미지 파일을, 학습 데이터로 만드는 방법 (0) | 2022.12.30 |
| Convolution Neural Network (CNN) (0) | 2022.12.30 |
| Flatten 라이브러리 사용하는 이유 (0) | 2022.12.28 |
| EarlyStopping 라이브러리 / Callback 사용법 (0) | 2022.12.28 |