池化是深度学习中卷积神经网络的关键步骤，包括最大池化和平均池化。它通过减小特征图尺寸来实现下采样，降低计算复杂度，同时保持模型的表达能力。最大池化选取区域内的最大值，而平均池化则计算平均值。此外，池化还能够增加模型的不变性，扩大感受野，有助于特征提取。
**池化：**pollingpolling是在不同通道上分开执行的，池化的操作是不改变通道数的，并且不需要参数的控制。
它根据窗口的大小进行操作，一般分为最大池化和平均池化。
池化层的作用：
1.下采样
2.降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗等等。各种说辞吧，总的理解就是减少参数量。
3.实现非线性
4.扩大感受野
5.实现不变形（平移不变性、旋转不变性和尺度不变性）
池化主要有哪几种：
1.Max Polling（最大池化）：选图像区域的最大值作为该区域池化后的值
主要功能是下采样，不会损失识别结果。这意味着卷积后的feature map中有对于识别物体不必要的冗余信息。
2.Average Polling（平均池化）计算图像区域的平均值作为该区域池化后的值
扫一扫
1863
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
