本站原创文章，转载请说明来自《老饼讲解-深度学习》www.bbbdata.com
池化层是CNN神经网络的核心层之一，它主要用于FeatureMap的降维
本文讲解CNN的池化层是如何计算的，以及常用的2x2池化层的意义
本节讲解什么是CNN的池化层
CNN的池化层
什么是池化层
池化层是通过一个池化窗口，对输入进行逐块扫描，每次将窗口的元素合并为一个元素
其中，窗口的大小、移动的步幅、对输入的填充都是所需设置的参数
常用的池化层
根据窗口元素合并时所使用的运算的不同，分别诞生了不同的池化层
常用的池化层有：均值池化、最大值池化,具体示例如下：
👉1.均值池化层：窗口元素合并时对所有元素求平均
👉2.最大值池化层：窗口元素合并时对所有元素求最大值
池化计算例子
下面以以填充为1、步幅为1、池化窗口为2x2的最大池化为例，其计算如下：
以下是使用pytorch实现本例最大值池化的代码
# 本例展示最大值池化计算
# 本代码来自《老饼讲解-深度学习》www.bbbdata.com
import torch
import numpy as np
data = np.array([[1, 3,2,1],[3, 5,2,6],[2,1,3,4]]) # 生成输入数据
x = torch.from_numpy(data).float().unsqueeze(0) # 转换为tensor
pool = torch.nn.MaxPool2d(2 ,stride= 1,padding=1) # 初始化最大值池化
out = pool(x) # 对输入进行池化
print(out) # 打印结果本节讲解CNN中的2x2池化层及其意义
2x2池化层及其意义
虽然池化允许设置不同的窗口大小、步幅和填充，但最常用的参数基本如下：
窗口大小为2×2,步幅为2，无填充，这样就是将输入按2×2的大小进行合并
可以看到，这样的池化将FeatureMap的高和宽都缩小2倍，
这样的池化是最正统的池化操作，目的就是无参地将FeatureMap进行降维
可以认为这样的配置是狭义上的池化，而上述"设置不同窗口大小、步幅"的池化是广义池化操作
为什么池化窗口大小为2？
将池化窗口设为2主要是降维是一种有损失的信息压缩，不希望信息损失过快
如果需要继续降维，则先进行卷积操作，交换象素之间的信息后，再进一步池化压缩
如果输入不是偶数怎么办？
假设列数为奇数，那么最后一列将被池化所忽略
所以在网络的设计中，尽量保障在池化前FeatureMap的高和宽都是偶数
好了，池化层的介绍就到这里了~
End