【深度学习基础】池化

池化 pool

池化的方式&＃xff1a;最大池化和平均池化

池化的作用

1、增大感受野

所谓感受野&＃xff0c;即一个像素对应回原图的区域大小&＃xff0c;假如没有pooling&＃xff0c;一个33&＃xff0c;步长为1的卷积&＃xff0c;那么输出的一个像素的感受野就是33的区域&＃xff0c;再加一个stride&＃61;1的33卷积&＃xff0c;则感受野为55。

假如我们在每一个卷积中间加上3*3的pooling呢&＃xff1f;很明显感受野迅速增大&＃xff0c;这就是pooling的一大用处。感受野的增加对于模型的能力的提升是必要的&＃xff0c;正所谓“一叶障目则不见泰山也”。

2、平移不变性

我们希望目标的些许位置的移动&＃xff0c;能得到相同的结果。因为pooling不断地抽象了区域的特征而不关心位置&＃xff0c;所以pooling一定程度上增加了平移不变性。

3、降低优化难度和参数

我们可以用步长大于1的卷积来替代池化&＃xff0c;但是池化每个特征通道单独做降采样&＃xff0c;与基于卷积的降采样相比&＃xff0c;不需要参数&＃xff0c;更容易优化。全局池化更是可以大大降低模型的参数量和优化工作量。