第六节:Keras深度学习框架之池化层

在卷积神经网络中通常会在相邻的卷积层之间加入一个池化层，池化层可以有效的缩小参数矩阵的尺寸，从而减少最后连接层的中的参数数量。所以加入池化层可以加快计算速度和防止过拟合的作用。 池化的原理或者是过程：pooling是在不同的通道上分开执行的（就是池化操作不改变通道数），且不需要参数控制。然后根据窗口大小进行相应的操作，池化的作用：

1、下采样（downsamping)。

2、降维，减少特征数量，减少网络参数。

3、防止过拟合。

有关池化层的具体参数使用可参考keras中文网：池化层 - Keras中文文档

一：池化层Pooling

最大池化

我们定义一个二维的矩阵（如2X2)窗口，在这个窗口中的像素取最大值后，重新生成一副图片，我们称之为最大池化。

同样的把所有的这个窗口中的数据相加并求平均数，就成为平均池化。