卷积神经网络——池化操作

卷积神经网络——池化操作

图1 LeNet网络结构

卷积神经网络中还有一个重要的操作——池化操作（Pooling）。池化操作有不同的类型，包括：最大值池化，平均值池化等。在实践中，最大值池化（Max Pooling）有更好的效果。最大值池化的操作过程如图2所示：

图2 最大值池化

 在使用池化前，我们需要人为确定池化窗口的大小以及步长（stride），在图2中，池化窗口大小为2x2，步长为2。在最大值池化的情况下，池化窗口会从特征图中获取/保留最大的元素。池化操作在降低特征图维度的同时也保留了最重要的信息。如果是平均值池化的话，则是将池化窗口内的元素取平均值。

特征图池化后的结果如图3所示：

图3 池化特征图

池化的作用：

1. 使特征图的维度更小，更易管理特征图大小。
2. 减少了网络中参数和计算的数量，一定程度上防止网络过拟合。
3. 使网络对于输入图像中的小变形，畸变和平移具有不变性。