最大池化与平均池化

1. 何为池化?
   池化过程在一般卷积过程后。池化（pooling） 的本质，其实就是采样。Pooling 对于输入的 Feature Map，选择某种方式对其进行降维压缩，以加快运算速度。

2. 为什么叫池化?
   pooling作为动词很形象的表征了信息的聚合方式(pooling汇聚（到池子里）)

3. 池化层的特征?
   池化层没有参数,
   保留主要主要特征的同时减少参数和计算量,防止过拟合
   invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)。
   Pooling 层说到底还是一个特征选择，信息过滤的过程。也就是说我们损失了一部分信息，这是一个和计算性能的一个妥协，随着运算速度的不断提高，我认为这个妥协会越来越小。

4. 平均池化和最大池化分别适用于哪些场景?
   最大池化提取特征纹理;平均池化保留背景信息,即保留整体的数据特征.一言蔽之,当特征中的信息都具有一定贡献的时候使用AvgPooling，比如网络走到比较深的地方，这个时候特征图的H W都比较小，包含的语义信息较多，这个时候再使用MaxPooling就不太合适了。
   举个栗子,这个对比图:
   观察左图可以看到,前景亮度低于背景亮度,最大池化是失败的,而实际中大部分前景目标的亮度都大于背景,所以在深度学习中最大池化用的比较多.
   
   观察左图可以看到,前景亮度低于背景亮度,最大池化是失败的,而实际中大部分前景目标的亮度都大于背景,所以在深度学习中最大池化用的比较多.其他网络都用最大池化,只在最后一层使用平均池化,来保证信息的完整性.
   
   另外avgpool与maxpool输出值会有不同的幅度区间，有些时候会遇到maxpool输出值幅度波动大，此时可以加一些归一化操作。二者的具体使用场景只有在具体任务上观察，实际效果炼丹后才知道。