深度学习笔记（三十二）CNN的Pooling池化层

卷积神经网络最常见的是卷积层Convolution，与此同时，池化层也被广泛应用在神经网络中，目的是为了减小模型大小，提高训练速度，也增强了提取特征的鲁棒性。
本课简单介绍了池化层的工作原理，主要是两种方式：max和average

一、池化 Max pooling

顾名思义：取每个子区域中的最大值就是Max pooling
这下面这个例子中，$f=2,s=2$（这两个超参数不需要学习，池化层只是计算了神经网络某一层中的静态属性）

直观理解最大化操作的功能：只要在任何一个象限内提取到某个特征，都会将最大值保留在最大化池的输出中。利用最大化池在实验中表明效果普遍非常好，上述的直观理解也被广泛引用。
对于$n\times n$图像，$p$为填充数量，$f$为过滤器大小，$s$为步长，池化层输出维度的计算方法和卷积的方法一致：
$$\lfloor \frac{n+2p-f}{s}+1\rfloor$$

需要注意的是，如果输入是三维，那么输出是对应的三维，有相同的通道数。
在最大池化中，很少用Padding，所以通常不填充，输出维度：
$$\lfloor \frac{n-f}{s}+1\rfloor$$

二、池化 Average pooling

【最大池化】比【平均池化】更常使用，有一个例外：当神经网络深度非常深时，用平均池化的方法分解规模较大的表示层。