CNN—pooling层的作用

此处是个人见解：欢迎微信探讨：lp5319

1、使构建更深层次的网络变得可行；

2、使得filters获得更多的全局和contextual（上下文）信息；

3、使训练可行，也可以说使得训练变得更高效，主要是针对深层次的网络结构来说；

4、使得 特征map大小和数量进行更好的选择（权衡）。例如，就用输入到全连接层的前一层conv来说，特征map太大的话，特征数量就不易太多，通过pooling，使得特征map变小，特征map数量就可以更多。

（那么为什么要特征map更多呢？好处在哪里？）

答：因为每个特征map对应一个filters，特征map越多对应更多的filters，而不同的filters提取的是图像中不同方面的特征，也就是说filters越多对图像不同特征的提取越多。

5、还有旋转不变性哦。

如果帮到你了，请赞赏支持：