3、池化层

1、池化层Pooling

1.1、降采样，减少计算负荷、内存使用、参数数量（防止过拟合），减少图像的数据量，提升识别效率（将线条组合起来，就可以识别局部图像）

　　主要是针对全连接层的参数减少，将全连接层上传神经元个数变少，特征图大小变小

1.2、减少输入图片大小也使得神经网络可以经受一点图片平移，不受位置的影响

1.3、长和宽两倍小，面积四倍小，丢掉75%的输入值

1.4、一般情况下，池化层工作于每一个独立的输入通道，所以输出的深度和输入的深度相同

 

2、参数

　　池化不需要进行参数的学习，池化神经元没有权重值，只是通过求最大或者求平均值来进行降采样。

　　一般是取最大，值越大说明蕴含的信息越重要。

　　常见2*2的池化核，步长为(2，2)，没有填充padding，只有最大值往下传递，其他输入被丢掉了。

　　池化不需要设置通道数，只需要设置面积就行。

　

3、解释

　　卷积后的图像通常很大，也可能提取很多弱的特征，因此需要进行压缩降维。

　　池化的原理就是对一块区域内的结果取等效值，可以是取最大值，也可以取平均值。（一般是从2*2的区域内取值）

　　池化可以加快运算速度，也可以很大程度避免过拟合的发生，提高神经网络的泛化能力。

　　池化层通过减小输入的大小来降低输出值的数量。

 

4、最大池化（Max Pooling）

　　　　

5、平均池化（Average Pooling）

　　取平均值