CNN 池化操作範例
池化（Pooling）是卷積神經網路（CNN）中重要的操作，它可以在保留特徵的同時減少特徵圖的空間尺寸。以下以數學方式展示最大池化（Max Pooling）與平均池化（Average Pooling）的操作過程：
- 卷積核大小：2×2 矩陣
- 步幅（Stride）：2
最大池化（Max Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算最大值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
平均池化（Average Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算平均值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
CNN 池化操作範例
池化（Pooling）是卷積神經網路（CNN）中重要的操作，它可以在保留特徵的同時減少特徵圖的空間尺寸。以下以數學方式展示最大池化（Max Pooling）與平均池化（Average Pooling）的操作過程：
- 卷積核大小：2×2 矩陣
- 步幅（Stride）：2
最大池化（Max Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算最大值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
平均池化（Average Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算平均值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
CNN 池化操作範例
池化（Pooling）是卷積神經網路（CNN）中重要的操作，它可以在保留特徵的同時減少特徵圖的空間尺寸。以下以數學方式展示最大池化（Max Pooling）與平均池化（Average Pooling）的操作過程：
- 卷積核大小：2×2 矩陣
- 步幅（Stride）：2
最大池化（Max Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算最大值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
平均池化（Average Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算平均值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
CNN 池化操作範例
池化（Pooling）是卷積神經網路（CNN）中重要的操作，它可以在保留特徵的同時減少特徵圖的空間尺寸。以下以數學方式展示最大池化（Max Pooling）與平均池化（Average Pooling）的操作過程：
- 卷積核大小：2×2 矩陣
- 步幅（Stride）：2
最大池化（Max Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算最大值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
平均池化（Average Pooling）
操作步驟：2×2 卷積核在輸入特徵圖上滑動，對每個區域計算平均值，形成池化矩陣。
1. 左上角：
2. 右上角：
3. 左下角：
4. 右下角：
