卷积神经网络-池化层
池化层（Pooling Layer）是深度学习神经网络中的一个重要组成部分，通常用于减少特征图的空间尺寸，从而降低模型复杂度和计算量，同时还能增强模型的不变性和鲁棒性。
池化操作通常在卷积神经网络（CNN）的卷积层之后使用，其主要目的有两个：
-
降维： 通过减少特征图的空间尺寸，可以减少模型的参数数量和计算量，从而加速模型的训练和推理过程。
-
特征不变性： 池化操作能够提取特征的局部不变性，即使输入数据发生轻微的平移或变形，池化层仍然能够识别出相同的特征。
常见的池化操作有两种：
-
最大池化（Max Pooling）： 在每个池化窗口中选择最大值作为输出。例如，2x2的最大池化会选择4个值中的最大值。
-
平均池化（Average Pooling）： 在每个池化窗口中计算所有值的平均值作为输出。
池化层的工作原理如下：
- 定义一个池化窗口大小（例如2x2或3x3）和步长（stride）。
- 在输入特征图上滑动池化窗口，根据窗口内的值进行池化操作（最大或平均）。
- 输出一个降维后的特征图。
例如，一个2x2的最大池化层会将每个2x2的方块区域中的4个值中的最大值作为一个单独的值输出到下一层。
池化层在CNN中起到了非常重要的作用，可以有效地减少模型的复杂度，提高模型的计算效率，并增强模型对输入数据的不变性和鲁棒性。
