CNN學習筆記：池化層

池化

　　池化（Pooling）是卷積神經網絡中另一個重要的概念，它實際上是一種形式的降采樣。有多種不同形式的非線性池化函數，而其中“最大池化（Max pooling）”是最為常見的。它是將輸入的圖像划分為若干個矩形區域，對每個子區域輸出最大值。直覺上，這種機制能夠有效地原因在於，在發現一個特征之后，它的精確位置遠不及它和其他特征的相對位置的關系重要。池化層會不斷地減小數據的空間大小，因此參數的數量和計算量也會下降，這在一定程度上也控制了過擬合。通常來說，CNN的卷積層之間都會周期性地插入池化層。

　　池化層通常會分別作用於每個輸入的特征並減小其大小。當前最常用形式的池化層是每隔2個元素從圖像划分出2*2的區塊，然后對每個區塊中的4個數取最大值。這將會減少75%的數據量。

　　

池化的作用

　　池化操作后的結果相比其輸入縮小了。池化層的引入是仿照人的視覺系統對視覺輸入對象進行降維和抽象。在卷積神經網絡過去的工作中，研究者普遍認為池化層有如下三個功效：

　　1.特征不變形：池化操作是模型更加關注是否存在某些特征而不是特征具體的位置。

　　2.特征降維：池化相當於在空間范圍內做了維度約減，從而使模型可以抽取更加廣范圍的特征。同時減小了下一層的輸入大小，進而減少計算量和參數個數。

　　3.在一定程度上防止過擬合，更方便優化。