《CNN笔记总结系列之四》池化层

《CNN笔记总结系列之四》

-------本文仅为学习笔记，不做任何商业用途-------

前言

    在《CNN笔记总结系列》中，[1]-[3]已经分别介绍了卷积神经网络的数据输入层、卷积计算层和激励层。本文紧接上述内容，着重讲解卷积神经网络池化层的相关知识。

一、池化层简要介绍

    池化层是夹在两个连续的卷积层之间，用于压缩数据和参数的量由此来减小过拟合的。同时，池化的目的是提取特征，以减少向下一阶段传递的数据量，所以从图像处理的层面来说，池化层的最主要的作用就是压缩图像的同时，保留图像中的关键特征信息。也就是说，每次将原图像进行卷积操作后，都通过一个下采样的过程，来减小图像的规模。

二、池化的作用及好处

1. 这些统计特征能够有更低的维度，以此来减少计算量。一幅图像含有的信息量是非常大的，特征也非常多，但是有些信息对于图像任务来说是没有用途的，所以通过池化的方式把这类冗余信息去除，提取出最重要的特征进行保留，以此减小计算量。
2. 不容易过拟合，当参数过多的时候很容易造成过度拟合，同时也更方便优。
3. 缩小图像的规模，提升计算速度；考虑到特征的尺度不变性，在做压缩时只是去掉无关紧要的信息，留下具有尺度不变的特征，由此简化图像表达特征的方式。