本文主要是介绍深度学习池化层的作用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
目录
一、概述
二、池化分类
1、Max Pooling：最大池化
2、Average Pooling：平均池化
三、池化作用
1.、invariance(不变性)，
2、降维度
3、增大感受野
4、获得定长输出。
5、防止过拟合或有可能会带来欠拟合。
6、减小计算量和内存消耗
7、非线性和鲁棒性
8、聚合特征
9、下采样（downsamping）
一、概述
池化（Pooling）：也称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。
上图就是一个池化的示意图，用了一个10*10的卷积核，对20*20的图像分块不重叠的进行了池化，池化之后featuremap为2*2的大小。
二、池化分类
1、Max Pooling：最大池化
Max Pooling：选取最大的，我们定义一个空间邻域（比如，2*2的窗口），并从窗口内的修正特征图中取出最大的元素，最大池化被证明效果更好一些。
2、Average Pooling：平均池化
Average Pooling：平均的，我们定义一个空间邻域（比如，2*2的窗口），并从窗口内的修正特征图中算出平均值。
3、其它类型的池化
三、池化作用
1.、invariance(不变性)，
这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)。
2、降维度
降低优化难度和参数。保留主要的特征同时减少参数(降维，效果类似PCA)和计算量，防止过拟合，提高模型泛化能力。
3、增大感受野
4、获得定长输出。
文本分类的时候输入是不定长的，可以通过池化获得定长输出
5、防止过拟合或有可能会带来欠拟合。
6、减小计算量和内存消耗
7、非线性和鲁棒性
8、聚合特征
9、下采样（downsamping）
这篇关于深度学习池化层的作用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
