一种改进池化模型对卷积神经网络性能影响的研究
来源：电子测量技术杂志2019年第5期北京时间：
作者：刘梦雅，毛剑琳
摘要：池化模型作为卷积神经网络模型中至关重要的一部分，具有降维、提高模型泛化能力等作用。为了进一步提高卷积神经网络模型的准确率，优化模型的学习性能，提出了一种基于最大池化和平均池化的改进池化模型，并在全球手写数字数据集MNIST和CIFAR-10上分别对改进池化模型的有效性进行了验证。通过与常见池化模型的对比实验发现，采用改进池化模型的卷积神经网络的学习性能较优，一次迭代情况下，在MNIST和CIFAR-10数据集上，错误率分别下降了4.28%和2.15%。
关键词：卷积神经网络;池化模型;图像识别;MNIST;CIFAR-10
