池化与归一化的概念和作用
池化和归一化是完全不同的概念。
1. 池化（Pooling）
- 作用：在卷积神经网络（CNN）等模型中，对特征图进行下采样，缩小尺寸、减少参数量，同时保留重要特征。
- 常见方式：最大池化（Max Pooling）、平均池化（Average Pooling）。
- 操作：对局部区域取最大值或平均值，不涉及对数值的缩放或归一化。
2. 归一化（Normalization）
- 作用：将数据缩放到一个特定范围（如 [0,1]）或使分布符合某种统计特性（如均值为0、方差为1），以加速模型收敛、提高稳定性。
常见方式：
- Min-Max 归一化：将数据线性缩放到 [0,1]。
- Z-score 标准化：减去均值后除以标准差，使数据服从标准正态分布。
- Batch Normalization：在神经网络层间对激活值进行标准化。
- 操作：对数值进行线性变换或统计调整，不改变数据维度。
3. 主要区别
| 方面 | 池化 | 归一化 |
|---|---|---|
| 目的 | 降维、特征选择 | 缩放数值范围、稳定分布 |
| 操作对象 | 空间或时间邻域 | 单个样本或特征维度 |
| 维度变化 | 通常降低尺寸 | 不改变维度 |
| 典型应用 | CNN 中的下采样 | 数据预处理、网络内部层 |
虽然两者常同时出现在深度学习模型中，但它们服务于不同的目的，不可混淆。
版权属于：Joyber
本文链接：https://blog.qqvbc.com/default/1445.html
转载时须注明出处及本声明