Les réseaux de neurones convolutifs les plus courants contiennent des couches de mise en commun pour réduire les dimensions des caractéristiques de sortie. Pourquoi ne pourrais-je pas réaliser la même chose en augmentant simplement la foulée de la couche convolutionnelle? Qu'est-ce qui rend la couche de mise en commun nécessaire?
Réponses:
Vous pouvez en effet le faire, voir Viser la simplicité: le réseau tout convolutionnel . La mise en commun vous donne une certaine quantité d'invariance de traduction, qui peut être utile ou non. De plus, le regroupement est plus rapide à calculer que les convolutions. Pourtant, vous pouvez toujours essayer de remplacer le regroupement par convolution par foulée et voir ce qui fonctionne mieux.
Certains travaux actuels utilisent la mise en commun moyenne ( Wide Residual Networks , DenseNets ), d'autres utilisent la convolution avec foulée ( DelugeNets )
Apparemment, la mise en commun maximale aide car elle extrait les caractéristiques les plus nettes d'une image. Donc, étant donné une image, les caractéristiques les plus nettes sont la meilleure représentation de niveau inférieur d'une image. https://www.quora.com/What-is-the-benefit-of-using-average-pool-rather-than-max- Covoiturage
Mais selon la conférence Deep Learning d'Andrew Ng, la mise en commun maximale fonctionne bien, mais personne ne sait pourquoi. Citation -> "Mais je dois admettre, je pense que la principale raison pour laquelle les gens utilisent le pool max est parce que cela a été trouvé dans de nombreuses expériences pour bien fonctionner, ... Je ne connais personne qui sait parfaitement si c'est le vrai raison sous-jacente. "