【深度学习】6-2 卷积神经网络 - 池化层

池化是缩小高、长方向上的空间的运算。比如下图，将2 x 2的区域集约成1个元素的处理，缩小空间大小

上面的例子是按步幅2进行2x2的Max池化时的处理顺序。“Max池化”是获取最大值的运算，“2 x 2”表示目标区域的大小。从2x2的区域中取出最大的元素。此外，这个例子中将步幅设为了2，所以2x2的窗口的移动间隔为2个元素。另外，一般来说，池化的窗口大小会和步幅设定成相同的值。比如，3x3的窗口的步幅会设为3，4x4的窗口的步幅会设为4等。

除了Max池化之外，还有Average池化等。相对于Max池化是从目标区域中取出最大值，Average池化则是计算目标区域的平均值。在图像识别领域，主要使用Max池化。因此，本书中说到“池化层”识时，指的是Max池化。

池化层的特征
没有要学习的参数
池化只是从目标区域中取最大值(或者平均值)，所以不存在要学习的参数
通道数不发生变化
经过池化运算，输入数据和输出数据的通道数不会发生变化。计算是按通道独立进行的。

对微小的位置变化具有鲁棒性(健壮)
输入数据发生微小偏差时，池化仍会返回相同的结果。因此，池化对输入数据的微小偏差具有鲁棒性。

比如，3 × 3 的池化的情况下，如上图所示，池化会吸收输入数据的偏差（根据数据的不同，结果有可能不一致）。