大家好，欢迎来到IT知识分享网。
池化的原理或者是过程：pooling是在不同的通道上分开执行的（就是池化操作不改变通道数），且不需要参数控制。然后根据窗口大小进行相应的操作。 一般有max pooling、average pooling等。
（2）降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗等等。各种说辞吧，总的理解就是减少参数量。
（3）实现非线性（这个可以想一下，relu函数，是不是有点类似的感觉？）。
（4）可以扩大感知野。
（5）可以实现不变性，其中不变形性包括，平移不变性、旋转不变性和尺度不变性。
平均池化（average pooling）：计算图像区域的平均值作为该区域池化后的值。
最大池化（max pooling）：选图像区域的最大值作为该区域池化后的值。
这样做的好处是，空间金字塔池化可以把任意尺度的图像的卷积特征转化成相同维度，这不仅可以让CNN处理任意尺度的图像，还能避免cropping和warping操作，导致一些信息的丢失，具有非常重要的意义。
部分引用自链接：https://blog.csdn.net/XX_123_1_RJ/article/details/
Max pooling的操作如下，整个图谱骗被切割成多个不重叠的同样大小的小块，然后在每个小块中提出最大的value，舍弃其他节点保持原有的平面结构走中得到output。其中Max pooling在不同的depth下单独操作的。
为什么要用Max pooling？Max pooling的物理意义是什么？
假设有一个224x224x64的矩阵，为了减少参数集的设置，所以提取其中关键特征（最大值）缩减到112x112x64的矩阵，即一个下采样的过程，虽然对信息的准确度曹成了损失，但是在运算效率和渐变过程中起到了作用。
同时，在对于图像的卷积过程中，只存在少量的有用信息，大部分信息属于冗余信息，，如遇信息的来源主要是来自卷积的逐步操作。
所以采用Max pooling的作用就是避免较多的冗余信息的介入。 Max pooling还有类似“选择句”的功能。假如有两个节点，其中第一个节点会在某些输入情况下最大，那么网络就只在这个节点上流通信息；而另一些输入又会让第二个节点的值最大，那么网络就转而走这个节点的分支。
些输入情况下最大，那么网络就只在这个节点上流通信息；而另一些输入又会让第二个节点的值最大，那么网络就转而走这个节点的分支。
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/124697.html
