还是延续上一篇博文,对神经网络中的池化层使用Python实现一遍,顺便了解一下在网络中前向传播和反向传播的计算过程。
池化层(average pooling & max pooling)
Pooling池化操作的反向梯度传播
以下文字内容摘自这里,侵权删。卷积神经网络中一个不可导的环节就是pooling 池化操作,因为pooling操作是的feature map的尺寸发生了变化,对于2*2的池化,假设第l+1层的feature map有16个梯度,那么第l层就会有64个梯度,这使得梯度无法对位的进行传播下去。解决这个问题的思想比较简单,就是把1个像素的梯度传递给4个像素,但是需要保证传递的loss(或者梯度)总和不变。根据这条原则,mean pooling和max pooling的反向传播也是不同的。
average pooling
average pooling的前向传播就是把一个patch中的值求取平均来做pooling,那么反向传播的过程也就是把某个元素的梯度等分为n份分配给前一层,这样就保证池化前后的梯度(残差)之和保持不变,如下图示:
max pooling
max pooling也要满足梯度之和不变的原则,max pooling的前向传播是把patch中最大的值传递给后一层,而其他像素的值直接被舍弃掉。那么反向传播也就是把梯度直接传给前一层某一个像素,而其他像素不接受梯度,也就是为0。所以max pooling操作和mean pooling操作不同点在于需要记录下池化操作时到底哪个像素的值是最大,也就是max id,这个变量就是记录最大值所在位置的,因为在反向传播中要用到,那么假设前向传播和反向传播的过程就如下图所示 :
Python实现
1 | import numpy as np |
最后
其实总的来说,对于池化层的反向传播只要保证总的loss(或梯度)保持不变这一原则就行,实现起来和卷积层相比要简单不少。