卷积神经网络最常见的是卷积层Convolution，与此同时，池化层也被广泛应用在神经网络中，目的是为了减小模型大小，提高训练速度，也增强了提取特征的鲁棒性。
本课简单介绍了池化层的工作原理，主要是两种方式：max和average
顾名思义：取每个子区域中的最大值就是Max pooling
这下面这个例子中，
卷积神经网络最常见的是卷积层Convolution，与此同时，池化层也被广泛应用在神经网络中，目的是为了减小模型大小，提高训练速度，也增强了提取特征的鲁棒性。本课简单介绍了池化层的工作原理，主要是两种方式：max和average一、池化 Max pooling顾名思义：取每个子区域中的最大值就是Max pooling这下面这个例子中，f=2,s=2f=2,s=2f=2,s=2（这两个超参数不需要学习，池化层只是计算了神经网络某一层中的静态属性）直观理解最大化操作的功能：只要在任何一个象限内提.
1.为什么要引入卷积层？
因为全连接层输入图像时，会将图像的3维数据拉平为1维数据，而图像是3维形状，这个形状中可能包含重要的空间信息。比如，空间上邻近的像素为相似的值、RBG的各个通道之间分别有密切的关联性、相距较远的像素之间没有什么关联等，所以使用全连接层可能会忽略掉一些空间信息，进而造出最后的预测结果不准确。
卷积层则可以保持形状不变。当输入数据是图像时，卷积层会以3维数据的形式接收输入数据，并同样以3维数据的形式输出至下一层。
2.卷积层的功能
卷积层的功能是提取图像的底层特征。
自己在学习
CNN
过程中,查找网上一些资料,对
pool
ing
层有了一些理解,记录下来,也供大家参考:
pool
ing
层(
池化层
)的输入一般来源于上一个卷积层,主要有以下几个作用:
1.保留主要的特征,同时减少下一层的参数和计算量，防止过拟合
2. 保持某种不变性，包括translation(平移)，rotation(旋转)，scale(尺度),常用的有mean-
pool
ing
和max-
pool
...
在卷积神经网络中，
池化层
往往跟在卷积层的后面，
池化层
的作用有两个：
1.降低卷积层输出的特征向量的维度。
2.减少过拟合现象。过拟合现象的存在是因为结果对于输入的某些误差过于敏感，通过max-
pool
ing
或mean-
pool
ing
可以减少噪声。
池化层
的前向传播：
池化层
的操作同样是从一个区域中通过某种方式得出一个值作为特征，与卷积层不同的是，
池化层
的池化过程不存在参数。所以在反向传播的
https://blog.csdn.net/weixin_38145317/article/details/89310404
https://www.zhihu.com/question/36686900/answer/130890492
1.
池化层
的作用：对于输入的图像，
池化层
最主要的作用就是压缩图像
池化层
在连续的卷积层中间，用于压缩数据和减少参数的量，减少过拟合
通常使...
卷积神经网络（Convolutional Neural Network,
CNN
） 是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，[1]对于大型图像处理有出色表现。
卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和
池化层
（
pool
ing
layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他
深度学习
结构相比，...
池化层
也叫下采样层，对输入的特征图进行压缩，1.使特征图变小，简化网络计算复杂度；2.进行特征压缩，提取主要特征；3.降低过拟合，减小输出大小的结果，它同样也减少了后续层中的参数的数量。其具体操作与卷基层的操作基本相同，只不过下采样的卷积核为只取对应位置的最大值、平均值等（最大池化、平均池化），并且不经过反向传播的修改。
pool
ing
的结果是使得特征减少，参数减少，但
pool
ing
的目的并不仅...
14.为什么要引入
池化层
？
例如一张图片中，有天空。天空那一大片区域颜色是很接近的。用卷积层提取出的局部特征也很相近。这样的话会造成特征信息的冗余。带来计算量大的问题。
如何将冗余的信息删除，那就要用到
池化层
。
池化层
的作用主要是：为了提高重要的特征信息，压缩特征，降低计算量，缓解过拟合的情况。
池化有最大池化和最小池化（其中最小池化自己根据最大池化进行改编得到）
最大池化认为每个窗口中值越大，越...
