深度学习原理11——池化和下采样

池化和卷积类似，但是计算方法不一样，分为最大池化和平均池化，就是对所有相应位置的数求最大或平均值，一般用来降维，将高和宽。而1*1卷积中的降维降的是通道数的维度。
池化的参数为0，就是不用参数

下采样：通过池化等方式减少特征图的宽和高就叫下采样。

最大池化代码实现

def pooling(feature_map, size=2, stride=2):
    """
    最大池化实现
    :param feature_map: 特征图
    :param size: 池化大小
    :param stride: 步长
    :return:
    """
    # 1、准备池化层的输出初始化
    pool_out = np.zeros((np.uint16((feature_map.shape[0] - size + 1) / stride + 1),
                            np.uint16((feature_map.shape[1] - size + 1) / stride + 1),
                            feature_map.shape[-1]))

    # 2、循环取出每个方格当中的最大值作为新的输出
    for map_num in range(feature_map.shape[-1]):
        # 获取左上角横初始下标
        r2 = 0
        for r in np.arange(0, feature_map.shape[0] - size + 1, stride):
            # 获取左上角纵初始下标
            c2 = 0
            for c in np.arange(0, feature_map.shape[1] - size + 1, stride):
                pool_out[r2, c2, map_num] = np.max([feature_map[r:r + size, c:c + size, map_num]])
                c2 = c2 + 1
            r2 = r2 + 1
    return pool_out