卷积神经网络—池化层

卷积神经网络—池化层（pooling）

池化层的作用：

1. 增加平移不变性
2. 降采样，即降维
3. 增大感受野

1. 增加平移不变性

平移的不变性是指当我们对输入进行少量平移时，经过池化函数后的大多数输出并不会发生改变。
局部平移不变性是一个有用的性质，尤其是当我们关心某个特征是否出现，而不关心它出现的具体位置时。

2. 降采样（降维）

保留主要特征的同时减少参数和计算量，防止过拟合，提高模型泛化能力。
与基于卷积的降采样相比，pooling是每个feature map单独做降采样，不需要参数，更容易优化。

3. 增大感受野

所谓感受野，即一个像素对应回原图的区域大小。

下图经过两层大小为3x3，步长为1的卷积后，一个像素在原图上的感受野大小为5x5。

在两个卷积层中间加入一个池化层后，感受野变为7x7。