導讀

該篇文章重點介紹CNN中下采樣方式，下采樣是CNN中必不可少的階段之一，CNN中常用的下采樣方式有平均池化和最大池化，同時平均池化和最大池化也是注意力機制的重要組件。

目前深度學習系列已經更新了6篇文章，分別是激活函數篇、卷積篇、損失函數篇、評估指標篇，另還有1篇保姆級入門教程，1篇總結性文章CNN中十大令人拍案叫絕的操作，想要入門深度學習的同學不容錯過！

一、下采樣方式

平均池化和最大池化是CNN中使用最多的下采樣方式，所謂的池化，是指特征圖分別在高、長方向上的縮小運算，下采樣目的在于增加模型的魯棒性，所謂的魯棒性，可以簡單理解為當輸入數據發生微小偏差時，結果仍是相同的。池化的特征主要有3個：

• ①池化層沒有要學習的參數，這與卷積層有質的區別。
• ②經過池化層后，特征圖的通道數不會發生變化，即輸入數據和輸出數據的通道數是相同的。
• ③對微小的位置變化具有魯棒性。

下面我們分別介紹最大池化（MaxPool）和平均池化（AvgPool）兩種最常見的下采樣方式。

1.1 最大池化

假設有一張特征圖X，size為（4，4），池化窗口kernel size為2，池化步長為2。
step1：

step2：

step3：

step4：

1.2 平均池化

平均池化的運行原理跟最大池化基本一樣，唯一不同之處在于平均池化是計算目標區域的平均值。
step1：

• （1+2+0+1）/ 4=1

step2：

• （1+2+2+3）/ 4=2

step3：

• （3+0+3+4）/ 4=2

step4：

• （1+2+0+1）/ 4=1

最后特征圖變為：

1.3 size的變化

假設輸入大小為(H, W)，濾波器大小為(FH, FW)，輸出大小為(OH, OW)，填充為P，步幅為S，輸出大小可通過下式計算得到。

二、下采樣作用

下采樣的優勢主要有以下幾點：

• ①降維，減少網絡要學習的參數數量。
• ②防止過擬合。
• ③增大感知野
• ④可以實現不變性:平移不變性,旋轉不變性,尺度不變性。

下采樣最大的劣勢在于在下采樣過程中會丟失大量的特征信息，但是這些信息可以通過一些特有的手段在一定程度上進行彌補。

文章持續更新，可以關注微信公眾號【醫學圖像人工智能實戰營】獲取最新動態，一個專注于醫學圖像處理領域前沿科技的公眾號。堅持以實踐為主，手把手帶你做項目，打比賽，寫論文。凡原創文章皆提供理論講解，實驗代碼，實驗數據。更有上百部深度學習入門資料免費等你來拿，只有實踐才能成長的更快，關注我們，一起學習進步~

計劃

深度學習保姆級入門教程 – 論文+代碼+常用工具
1個字，絕! – CNN中十大令人拍案叫絕的操作
都2021年了，不會還有人連深度學習還不了解吧？（一）-- 激活函數篇
都2021年了，不會還有人連深度學習還不了解吧？（二）-- 卷積篇
都2021年了，不會還有人連深度學習還不了解吧？（三）-- 損失函數篇
都2021年了，不會還有人連深度學習還不了解吧？（四）-- 上采樣篇
都2021年了，不會還有人連深度學習還不了解吧？（五）-- 下采樣篇
都2021年了，不會還有人連深度學習還不了解吧？（六）-- Padding篇
都2021年了，不會還有人連深度學習還不了解吧？（七）-- 評估指標篇
都2021年了，不會還有人連深度學習還不了解吧？（八）-- 優化算法篇
都2021年了，不會還有人連深度學習還不了解吧？（九）-- 注意力機制篇
都2021年了，不會還有人連深度學習還不了解吧？（十）-- 數據歸一化篇

覺得寫的不錯的話，歡迎點贊+評論+收藏，歡迎關注我的微信公眾號，這對我幫助真的很大很大很大！

總結

以上是生活随笔為你收集整理的都2021年了，不会还有人连深度学习都不了解吧（五）-- 下采样篇的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。