大家好，前天和昨天介紹卷積層，對卷積層的運作方式，以及部分計算進行了說明，今天就要來看卷積神經網路結構中的池化層。之前介紹的卷積層，在卷積神經網路中是負責對輸入的影像進行特徵擷取，在經過卷積計算後得到輸出的特徵圖；而今天要介紹的池化層，是用來將輸入的影像進行壓縮，並且強調影像的主要特徵。
池化層(Pooling Layer)的用處就像上面寫的，將輸入的影像壓縮，減少計算的複雜度，增加計算效率。池化層的運算不同於卷積層，池化層沒有參數，只有最大與平均的張量運算。池化層的運算過程與卷積層相似，一樣是用固定大小的區塊在輸入的影像上滑動。池化層最常見的運算是最大池化(Max Pooling)，既可以對影像進行壓縮，也能取得表示影像特徵的最大值。接下來就來介紹最大池化運算。
最大池化運算是藉由區塊在輸入的影像上滑動，在該區塊中計算最大值作為輸出，假設輸入是4X4的影像，區塊大小是3X3，最後的會產生2X2的輸出，輸出的數值是區塊中計算出的最大值。
iThome鐵人賽
看影片追技術