参考:https://www.zhihu.com/question/23437871
https://blog.csdn.net/u012193416/article/details/79432668
Pooling 的作用
Pooling 操作就是仿照人的视觉系统,进行dowm-sampling操作,而起到了整合特征的作用
特征提取中的误差来自于
- 邻域大小受限造成的估计方差增大
- 卷积层参数误差造成估计均值偏移
Max - Pooling
感觉更像是做了特征选择,选出了分类辨识度更好的特征,能够减少第2中误差,更多的保留图像的纹理信息
torch.nn.MaxPool2d() - 2维最大池化操作
class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)
参数:
- kernel_size(int or tuple) - Max - Pooling的窗口大小
- stride(int or tuple, optional) - Max - Pooling的窗口移动的步长, 默认值是kernel_size
- padding(int or tuple, optional) - 输入的每一条边补充0的层数