我知道通常的CNN包括卷积层和池层。池化层使输出更小，这意味着更少的计算，并且它们也使它以某种方式变换不变，因此来自内核过滤器的特征的位置可以在原始图像中稍微移位。
但是当我不使用合并图层时会发生什么？原因可能是我想要原始图像中每个像素的特征向量，因此卷积层的输出必须与图像的大小相同，只需要有更多的通道。这有意义吗？这些特征向量中是否仍然存在有用的信息，或者CNN中的池化层是否必要？或者是否有一些方法可以获得具有合并图层的单个像素的特征向量？
答案 0 :(得分：0)
卷积特征地图，早期和后期的特征地图，包含很多的有用信息。许多有趣和有趣的应用程序完全基于来自预训练的CNN的特征图，例如， Google Deep Dream和Neural Style。 VGGNet的一个常见选择就是预先训练好的模型。
还要注意一些CNN，例如All Convolutional Net，用卷积替换池化层。他们仍然通过跨步进行下采样，但完全避免了maxpool或avgpool操作。这个想法已经变得流行并应用于许多现代CNN架构中。
唯一的困难是CNN没有下采样可能更难训练。你需要足够的训练数据，其中标签是图像（我假设你有），你还需要一些聪明的丢失功能来进行反向传播。当然，你可以从像素差异的L2范数开始，但它实际上取决于你正在解决的问题。
我的建议是采用现有的预训练CNN（例如VGGNet for tensorflow），只保留前两个卷积层，直到第一次下采样。这是尝试这种架构的快速方法。