池化层输出数据的维度计算公式

池化层（Pooling Layer）在卷积神经网络中常用于下采样。池化操作有助于减少模型的参数量和计算量，并防止过拟合。池化层常见的类型包括最大池化（Max Pooling）和平均池化（Average Pooling）。计算池化层输出数据的维度时，通常考虑以下几个因素：

1. 输入数据的维度（输入特征图的高度 $H_{\text{in}}$ 和宽度 $W_{\text{in}}$）。
2. 池化窗口的大小（高度 $k_H$ 和宽度 $k_W$）。
3. 池化的步长（高度方向的步长 $s_H$ 和宽度方向的步长 $s_W$）。
4. 填充（padding），表示在输入的边缘填充的像素数（高度方向的填充 $p_H$ 和宽度方向的填充 $p_W$）。

假设输入特征图的尺寸为 $H_{\text{in}}\times W_{\text{in}}$，池化窗口的大小为 $k_H\times k_W$，步长为 $s_H\times s_W$，填充为 $p_H\times p_W$，池化层输出特征图的高度 $H_{\text{out}}$ 和宽度 $W_{\text{out}}$ 可以通过以下公式计算：

$$H_{\text{out}}=\lfloor \frac{H_{\text{in}}-k_H+2p_H}{s_H}\rfloor +1$$

$$W_{\text{out}}=\lfloor \frac{W_{\text{in}}-k_W+2p_W}{s_W}\rfloor +1$$

其中，$\lfloor \cdot \rfloor$ 表示向下取整操作。

举个例子，假设输入特征图的尺寸为 $32\times 32$，池化窗口的大小为 $2\times 2$，步长为 $2\times 2$，不使用填充（即 $p_H=p_W=0$），则池化层输出特征图的高度和宽度计算如下：

$$H_{\text{out}}=\lfloor \frac{32-2+0}{2}\rfloor +1=\lfloor 15\rfloor +1=16$$

$$W_{\text{out}}=\lfloor \frac{32-2+0}{2}\rfloor +1=\lfloor 15\rfloor +1=16$$

因此，池化层输出的特征图尺寸为 $16\times 16$。