圖片經過卷積、激活后的結果一般帶有大量原圖信息。

上圖中卷積核提取的是豎直方向上的連續(xù)像素，但是，被增強的像素只占了結果的1/3，對于多層網絡，其余重要性較低的信息也被傳入了下一層網絡，造成了不必要的浪費，因此需要用池化對卷基層得到的結果做聚合統(tǒng)計。池化的理論基礎是：圖像相鄰位置的像素是相關的，即使間隔一段尺寸對圖像進行采樣，得到的結果依舊能保持大部分信息。常用的池化方式有最大池化和均值池化。池化的另一個重要作用是為卷積神經網絡帶來一定的平移、旋轉和透視不變性。

上圖展示了池化如何為模型帶來平移不變性。原圖中垂直方向上的一段連續(xù)像素被右移了一個單位得到了平移后的圖片，兩者經過尺寸為2*2，步長為1的最大池化后，得到了相同的結果。對于旋轉和透視，池化也可以達到類似的效果。但池化使模型具有對平移、旋轉、透視的抗性并不是沒有限制的，首先池化的效果依賴于卷積的結果，如果卷積沒有捕捉到上述變換后的特征，池化也失去了抗平移、旋轉、透視的能力，其次，池化對上述三種變換的抗性和池化的尺寸有關，池化尺寸越大，抗性越強，但信息丟失的也越多，其中利弊需要設計者權衡。

轉載于:https://www.cnblogs.com/bugsheep/p/8470547.html

總結

以上是生活随笔為你收集整理的卷积神经网络学习笔记与心得（4）池化的全部內容，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。