深度学习入门 : 基于Python的理论与实现

  第 7章　卷积神经网络

214

7.3

池化层

池化是缩小高、长方向上的空间的运算。比如，如图7

-

14 所示，进行将

2

×

2 的区域集约成 1 个元素的处理，缩小空间大小。

1 2

0 1

3 0

2 3

1’

2

2 3

1

4

1 2 0

0 1 2 3

3 0 1 2

2 0 1

4

1 2 1 0

0 1 2 3

3 0 1 2

2 0 1

3 0

’

2 3

1 2

0 1

2 3

4

2 3

4 2

11 2 0

0 1 2 3

3 0 1 2

2 4 0 1

1

4

1 2 0

0 1 2 3

3 0 1 2

2 0 1

图7-14　Max 池化的处理顺序

图 7

-

14 的例子是按步幅2 进行2

×

2 的

Max

池化时的处理顺序。“

Max

池化”是获取最大值的运算，“2

×

2”表示目标区域的大小。如图所示，从

2

×

2 的区域中取出最大的元素。此外，这个例子中将步幅设为了2，所以

2

×

2 的窗口的移动间隔为2 个元素。另外，一般来说，池化的窗口大小会

和步幅设定成相同的值。比如，3

×

3 的窗口的步幅会设为3，4

×

4 的窗口

的步幅会设为4 等。

除了 Max 池化之外，还有 Average池化等。相对于Max 池化是从

目标区域中取出最大值，Average 池化则是计算目标区域的平均值。

在图像识别领域，主要使用 Max 池化。因此，本书中说到“池化层”

时，指的是Max 池化。

7.3  池化层 

215

池化层的特征

池化层有以下特征。

没有要学习的参数

池化层和卷积层不同，没有要学习的参数。池化只是从目标区域中取最

大值（或者平均值），所以不存在要学习的参数。

通道数不发生变化 ...