池化层：
把特征“瘦身”的那一步

卷积负责提取特征，池化负责筛选与压缩。
它不参与矩阵计算，只做一件事——挑出更重要的值。

01为什么要有池化层

卷积可以做一次、两次、三次，甚至做 100 次。每一次卷积都会得到更多特征图——特征确实是“丰富”了，
但丰富不等于都有用。

当特征图数量堆到很多时，里面的特征值点多得惊人。

池化层的作用就是压缩，也叫下采样。但压缩不是随便扔，而是有选择地保留重要的、丢弃不重要的。

02压缩前后的变化

压缩前

24 × 24 × 64

→

压缩后

12 × 12 × 64

高 H 变成原来的 1/2，宽 W 也变成原来的 1/2；
体积（特征值个数）变成原来的 1/4。

就像给特征图做了一次“瘦身”，但通道数 64 保持不变。

03哪些在变，哪些不变

变

长和宽（H、W）会被缩减，特征图尺寸变小。

变

特征值的总个数下降，相当于做了一次过滤。

不变

特征图的个数（channel，这里是 64）不会改变。池化只缩减尺寸，不增减通道。

04最大池化怎么做

以 4 × 4 的单个特征图为例，指定 2 × 2 的区域去筛选。

先划区域

和卷积的第一步一样，用滑动窗口在特征图上圈出不同的区域。2 × 2 的区域一共圈出四个。

每个区域挑最大的值

把该区域里最大的那个数值拿出来，作为输出位置上的值。没有计算，只是筛选。

拼成新特征图

四个区域各出一个最大值，原来 4 × 4 的特征图就变成了 2 × 2。

为什么选最大值？

网络中权重参数是不断变化的，经过计算后特征值大，说明整个网络认为这个结果更重要。只挑大的，相当于只留下重要的信息。

05平均池化为什么少见了

平均池化少见

同样先划区域，但取区域内的平均值：例如 (1+1+5+6)÷4。

最大池化主流

只保留区域内最大的值，把不突出的特征直接过滤掉。

神经网络更像一个“优胜劣汰”的过程：既然已经拿到了最好的特征，为什么还要把不那么好的特征平均进来、把好特征拉低呢？

经过大量学者的实验发现，最大池化在几乎所有问题上的表现，都明显优于平均池化。所以现阶段看池化，基本都用最大池化。

06一个必须记住的点

池化层不涉及任何矩阵计算

这里不需要设置 W，也不需要设置 B。它只是一个筛选、压缩、过滤的过程，因此池化层的操作相对来说很简单。

一句话总结

卷积层负责提取特征，池化层负责筛选与压缩；
滑动窗口圈区域，最大池化取最大值，尺寸变小、通道不变，不做任何矩阵运算。

卷积神经网络中的池化层：特征压缩与最大池化