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 in × W in H_{\text{in}} \times W_{\text{in}} H