4. 卷积神经网络-池化（Pooling）和舍弃（Dropout）

1. 池化

池化操作用于减少卷积神经网络中特征数据量，一般有最大值池化和均值池化。
最大值池化可提取图片纹理，均值池化可保留背景特征。

tensorflow描述池化

1） 最大值池化

tf.keras.layers.MaxPool2D(
pool_size=池化核尺寸。若是正方形则写核长整数，否则写成（核高h，核宽w）
strides=池化步长。步长整数，或者写成（纵向步长h，横向步长w），默认为pool_size
padding=‘valid’ or ‘same’。使用全零填充是’same’，不使用是’valid’（默认）
）

2） 均值池化

tf.keras.layers.AveragePooling2D(
pool_size=池化核尺寸。若是正方形则写核长整数，否则写成（核高h，核宽w）
strides=池化步长。步长整数，或者写成（纵向步长h，横向步长w），默认为pool_size
padding=‘valid’ or ‘same’。使用全零填充是’same’，不使用是’valid’（默认）
）

代码例子：

model = tf.keras.models.Sequential([
...
MaxPool2D(pool_size=(2, 2), strides=2, padding='same')  # 池化层
...
}

2. 舍弃（Dropout）

在神经网络训练时，将一部分神经元按照一定概率从神经网络中暂时舍弃。神经网络使用时，被舍弃的神经元恢复连接。

tensorflow描述舍弃

tf.keras.layers.Dropout(舍弃的概率)
代码例子：

model = tf.keras.models.Sequential([
...
Dropout(0.2) # dropout层
...
}