深度学习深度学习(十七)卷积层的另外一个类型-池化

我们复习一下，之前的卷积层，每一层都有很多个卷积窗口（filter），他用于对图形的特征进行过滤和捕获。而他的结果，将是会让窗口呈现出来的深度会越来越深。

但问题来了，越来越深，而每次输出的窗口没有变化。这样就会产生越来越大的数据，同时，计算数据也会越来越大，而这不仅仅是计算资源的问题，同时因为越来越深，也会导致学习会过拟合（过拟合概念，出门左转，参见我之前的文章）。怎么解决？

解决的方法，就要压缩所创建结果的维度，即让数据变小。其实这个是可以从直观上可以理解的。参见之前的卷积窗口，还记的我们用抽象汽车边界特征的filter吗，其实进行一次这种抽象后，所生成的数据，也并不是所有数据是有效的数据，中间有大量的无效数据，在翻译成图片就可以看到，有大量的黑色色块图片。

好了，实施的方法，就是池化。池化的目标就是要降低输出图片的维度！

池化，有两个方法，一个是最大池化，我们先看看这个怎么实现：

最大池化和卷积窗口实现原理一样，他有一个池化窗口，同时每次移动一个或多格像素，和卷积窗口一样，这样这个窗口就把原来图片全部遍历完了。而计算很简单，就是没移动一个窗口时，取出窗口中的所有值，然后只保留和输出这里面最大的那个值：

比如，这个是上一个卷积层的结果，有深度为三的三个切面。我们定义一个2*2的池化窗口。

如此，所有独立的切面都按此方法，池化成新的切面数据，如下图：

如此，池化窗口将所有的切面遍历完后，将出现新的一层：

看到效果了吗，这就是池化，经过池化层后，其结果是深度不变但是维度是降低了。

好，我们看看另外一个池化方法：平均池化。

平均池化他没有池化窗口，他很暴力，方法是，每一切面只保留和输出这个切面的平均值：

其效果就是：

可以看到，这个池化更彻底，每个深度只保留了一个数据。

我们大部分时候，用的是最大池化，这样温和一点。

到目前为止，关于卷积网络的两个类型的层我们都已经描述完，下面我们会整合这两个卷基层以及之前的展平成，来看看最终卷积网络是怎么做到图像识别的。