池化层的一点个人理解

最近在自学深度学习，由于之前有一些不采用机器学习的图像处理经验，现在说说自己对深度学习的一点理解。

池化层

池化层分为平均池化和最大池化，意为当输入数据做出少量平移时，经过池化函数后的大多数输出还能保持不变。
个人认为所谓平均池化很类似图像处理中的均值滤波。都是取卷积核内部的平均值作为特征图的输出。而最大池化个人感觉类似中值滤波，只不过将滤波器的中值部分换为了最大值部分。
现在有疑问，如果我的上述感觉是正确的那为什么要区分卷积层与池化层呢？感觉池化层就是一个已经确定好权重的卷积操作。

自定义卷积核

在pytorch搭建起网络时，大家通常都使用已有的框架进行训练，在网络中使用最多就是卷积操作，最熟悉不过的就是：torch.nn.conv2Dpytorch封装在torch.nn里的Conv2d非常好用，然而其卷积核的权重都是需要学习的参数，如果想要自定义一个卷积核（比如高斯核）来提取图像特征，conv2d就不适用了。
而解决方案如下：
pytorch自带的卷积操作：torch.nn.functional.conv2d()
这个卷积核与nn.Conv2d不同，它的weight可以自己设定。好处是，你既可以把各项参数写死在里面，不让它求导，也可以当成可学习参数，反向传播有pytorch来自动实现；并且，由于这是pytorch自带的，在训练中也不需要我们去考虑batch维度，数据格式采用torch tensor，方便得很。还有一个好处是，它可以像普通cnn的卷积核一样操作，有4个维度，分别是输出通道，输入通道，卷积核高，卷积核宽，这样可以很方便地把自定义的卷积核写成一个卷积层。具体操作为：

nn.functinoal.conv2d(inputs, weight, bias, padding=1)

具体例：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()

        self.conv_1_weight = nn.Parameter(torch.randn(16, 1, 5, 5))
        self.bias_1_weight = nn.Parameter(torch.randn(16))

        self.conv_2_weight = nn.Parameter(torch.randn(32, 16, 5, 5))
        self.bias_2_weight = nn.Parameter(torch.randn(32))

        self.linear_weight = nn.Parameter(torch.randn(4 * 4 * 32, 10))
        self.bias_weight = nn.Parameter(torch.randn(10))

    def forward(self, x):
        x = x.view(x.size(0), -1)
        out = F.conv2d(x, self.conv_1_weight, self.bias_1_weight)
        out = F.conv2d(out, self.conv_2_weight, self.bias_2_weight)
        out = F.linear(out.view(x.size(0), -1), self.linear_weight, self.bias_weight

以上为自定义卷积核操作