深度学习笔记(4)：1.9 pooling | 1.10 CNN example

1.9 池化层(pooling layers)

除了卷积层，卷积神经网络也经常使用池化层来缩减模型大小提高计算速度，同时提高所提取特征的鲁棒性。

举个例子来看池化层的必要性，假设用到的池化类型是最大池化(max pooling)，如下图所示：

也许可以把这个4*4的区域看作是某些特征的集合，也就是神经网络中某一层未使用激活函数之前的值，即Z，数字大意味着可能提取了某些特征，它可能表示垂直边缘、一只眼睛，或者大家害怕遇到的cap，这个特征可能是猫眼探测器对应的输出结果，所以可以看出，左上限有这个特征(有9这个比较大的值)，而右上限没有(没有特别大的值)，即左上限检测出了猫眼这个特征但右上限没有，而max pooling就是在filter宽度为2，即f=2，步长为2，即stride=2的情况下，取框内的最大值，所以右侧2*2矩阵中，紫色方框内值为9，蓝色为2，绿色为6，红色为3。

再来看一个关于max pooling的例子，如下图所示：