池化层

池化pooling 是卷积神经网络中另一个重要的概念，他实际上是一种形式的降采样，有多种不同形式的非线性池化函数，而其中最大池化max pooling是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。

直觉上这种机制能够有效地原因在于，发现一个特征之后，他的精确位置远不及他和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也下贱，这在一定程度上也控制了过拟合。通常来说，cnn的卷积层之间都会周期地插入池化层。

池化层通常会分别作用于每个输入的特征并减小其大小。当前最常用的形式的池化层是每隔2个元素从图像划分出2*2的区块，然后对每个区块中的4个数值取最大值。

 

 池化的作用

该操作后的结果比其输入缩小了。池化层的引入是仿照人的视觉系统对视觉输入对象进行减维和抽象。

1 特征不变形，即关注是否存在某些特征而不是特征具体的位置。

2 特征降维。减小计算量和参数个数

3 在一定程度上防止过拟合。

 

 

 另外在另外一个博客里面也类似的图片举例

-----------https://www.zhihu.com/question/36686900/answer/130890492  ---------