卷积神经网络（CNN）-池化层python案例

池化操作包括在特征图的每个通道上滑动二维滤波器，并总结位于滤波器覆盖的区域内的特征。对于维度为n的特征图nhx nwx nc，则池化层后获得的输出维度为 (nh - f + 1) / s x (nw - f + 1)/s x nc 其中： ->nh-特征图高度 ->nw-特征图宽度 ->nc-特征图中的通道数 ->f-过滤器尺寸 ->s-步幅长度 常见的 CNN 模型架构是将多个卷积层和池化层一个接一个地堆叠起来。 为什么要使用池化层（Pooling Layers）？ • 池化层用于减小特征图的维度。因此，它减少了要学习的参数数量和在网络中执行的计算量。 • 池化层汇总了卷积层生成的特征图区域中存在的特征。因此，对汇总的特征执行进一步的操作，而不是对卷积层生成的精确定位的特征执行。这使得模型对输入图像中特征位置的变化更加稳健。