一文解释清卷积神经网络中池化层的作用

池化层：池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。

池化层分为3类，平均池化，最大池化和随机池化。

拿最大池化举个例子：

上图的例子是按步幅2进行2X2的最大池化时的处理顺序。最大池化是获得最大值的运算，“2X2”表示目标区域的大小。如上图所示，从2X2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3X3的窗口的步幅会设为3，4X4的窗口的步幅会设为4等。
而最大池化的优点是：能够减小卷积层参数误差造成估计值均值的偏移，更多保留纹理信息。

特征：

1.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(或平均值），所以不存在要学习的参数。

2.通道数不发生变化

经过池化运算，输入数据和输出数据的通道数不会发生变化。

3.对微小的位置变化具有鲁棒性

输入数据发生微小偏差时，池化仍会返回相同的结果。因此，池化对输入数据的微小偏差具有鲁棒性。比如，3X3的池化的情况下，如下图，池化会吸收输入数据的偏差（根据数据不同，结果可能不一致）。

可能有人会问了，为什么标题是解释池化层的作用，为什么一直在说最大池化。原因是在图像识别领域，主要使用的是最大池化。

而平均池化的作用是：能减小邻域大小受限造成的估计值方差增大，更多保留图像背景信息。