深度学习－池化层

池化层用于减少卷积神经网络模型上的空间尺寸，而不是深度，基本上这是您获得的：
1、通过减少空间信息，可以获得计算性能
2、较少的空间信息也意味着较少的参数，因此减少了过度拟合的机会
3、会得到一些翻译不变性

一些项目不使用池，特别是当他们想“学习”某些对象特定的位置时。 了解如何玩Atari游戏。
在下面的图中，我们显示了池化最大池层的最常见类型，它像普通的卷积一样滑动窗口，并在窗口上获得最大值作为输出。

最重要的参数：
输入：H1 x W1 x Depth_In x N
步幅：控制窗口滑动像素数量的标量。
K：内核大小
关于它的输出H2 x W2 x Depth_Out x N：
W2 = (W1-K)/S+1 H2 = (H1-K)/S+1 Depth(out) = Depth(In)
指出池层中没有可学习的参数也很有效。 所以它的反向传播更简单。

正向传播
池化层上的窗口移动机制与卷积层相同，唯一的变化是我们将选择窗口上的最大值。
Python正向传播:

向后传播
从反向传播一章中，我们了解到最大节点仅充当路由器，将输入梯度“ dout”赋予值大于零的输入。
您可以认为最大池在计算图上使用了一系列最大节点。 因此，将最大池化层的向后传播视为包含在正向传播和dout过程中选择的所有元素的蒙版之间的乘积。

换句话说，除了在前向传播期间选择的位置以外，相对于最大池化层的输入的梯度将为零的张量。
Python向后传播: