En general, lo más probable es que se refiera a las capas de “agrupamiento” de una red neuronal convolucional. Aunque, en principio, podría tener una capa de muestreo descendente en cualquier tipo de red neuronal.
Las capas de disminución de muestreo o “agrupación” a menudo se colocan después de capas convolucionales en una ConvNet, principalmente para reducir la dimensionalidad del mapa de características para la eficiencia computacional, que a su vez puede mejorar el rendimiento real.
El tipo principal de capa de agrupación que se usa hoy en día es una capa de “agrupación máxima”, donde el mapa de entidades se muestrea de manera tal que se retiene la respuesta de entidad máxima dentro de un tamaño de muestra dado. Esto está en contraste con la agrupación promedio, donde básicamente solo baja la resolución promediando un grupo de píxeles. La agrupación máxima tiende a mejorar porque responde mejor a los núcleos que están “iluminados” o responden a los patrones detectados en los datos.
- ¿A qué tipo de personalización en Machine Learning se refería Andrew Ng en su artículo de Harvard Business Review sobre las capacidades de IA?
- ¿Cuál es el significado de la investigación de OpenAI sobre estrategias de evolución y el hallazgo de que rivalizan con el desempeño del aprendizaje por refuerzo?
- Estoy creando un plan de enrutamiento de vehículos con la ruta y el costo más bajos. ¿Sería más significativo el agrupamiento k-k o los vecinos k-más cercanos?
- Para un maestro en aprendizaje automático, ¿cuál sería una mejor opción, KTH (MS en aprendizaje automático) o Chalmers (MS en sistemas adaptativos complejos)?
- Cómo resolver un problema de la máquina Atwood con fricción
Dicho esto, la disminución de la resolución no es un requisito para una ConvNet, pero los ejemplos de mejor rendimiento utilizan la agrupación. Le sugiero que lea The All Convolutional Net para obtener más información sobre el tema.