深度学习第五讲之池化层(Pooling layer)

欢迎关注鄙人公众号，技术干货随时看！

转载请注明出处
鄙人的新书《elasticsearch7完全开发指南》，欢迎订阅！

https://wenku.baidu.com/view/8ff2ce94591b6bd97f192279168884868762b8e7

《kibana权威指南》

https://wenku.baidu.com/view/24cfee1ce43a580216fc700abb68a98270feac21

在卷积神经网络中，卷积层之间往往会加上一个池化层。池化层可以非常有效地缩小参数矩阵的尺寸，从而减少最后全连层中的参数数量。使用池化层即可以加快计算速度也有防止过拟合的作用。
　　在图像识别领域，有时图像太大，我们需要减少训练参数的数量，它被要求在随后的卷积层之间周期性地引进池化层。池化的唯一目的是减少图像的空间大小。池化在每一个纵深维度上独自完成，因此图像的纵深保持不变。池化层的最常见形式是最大池化，还有平均池化层，用的较少就不作介绍了。最大池化层的效果如下图所示：
　　

tensorflow对池化层提供的实现，可以方便的调用ＡＰＩ用于工程开发：

#input表示上一层的输出上例图片中大左边大的矩阵，ksize定义了池化层过滤器的尺寸，strides定义的步长信息第一维和第四维都为1，padding定义了是否用全0填充SAME表示全0填充VALID表示不填充
pool = tf.nn.max_pool(input, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')