下采样和池化的区别

经过 @纸上得来终觉浅~ 同学指点，更新之前的错误：

下采样和池化其实只是叫法不同，是同一个东西。

更正：下采样和池化应该是包含关系，池化属于下采样，而下采样不局限于池化，如果卷积 stride=2，此时也可以把这种卷积叫做下采样。

# 池化

通常池化层紧跟在 CNN 的卷积层之后。

池化方法：

1. max-pooling：对邻域内特征点取最大值
2. mean-pooling：对邻域内特征点求平均

池化的作用：

1. 降维，减少网络要学习的参数数量
2. 防止过拟合
3. 扩大感受野
4. 实现不变性（平移、旋转、尺度不变性）

关于池化的神解释：

池化 = 涨水
池化的过程 = 升高水位（扩大矩阵网格）
池化的目的是为了得到物体的边缘形状

可以想象水要了解山立体的形状，水位低时得出山脚的形状，水位中等时得出山腰的形状，水位高时得出山顶的形状，三点就可以大致描出山的简笔画。

而卷积的过程是区分哪里是水，哪里是山。

对于网络结构而言，上面的层看下面的层经过 pooling 后传上来的特征图，就好像在太空上俯瞰地球，看到的只有山脊和雪峰。这即是对特征进行宏观上的进一步抽象。

那么为什么需要 进行抽象 呢？

因为经过池化后，得到的是 概要统计特征 。它们不仅 具有低得多的维度 (相比使用所有提取得到的特征)，同时还会 改善结果(不容易过拟合) 。

max_pooling： 夜晚的地球俯瞰图，灯光耀眼的穿透性让人们只注意到最max的部分，产生亮光区域被放大的视觉错觉。故而 max_pooling 对较抽象一点的特征（如纹理）提取更好。

average_pooling： 白天的地球俯瞰图，幅员辽阔的地球表面，仿佛被经过了二次插值的缩小，所有看到的都是像素点取平均的结果。故而 average_pooling 对较形象的特征（如背景信息）保留更好。