池化層（Pooling layers）
除了卷積層，卷積網絡也
經常使用池化層來縮減模型的大小，提高計算速度，同時提高所提取特徵的魯棒性，我們來看一下。
先舉一個池化層的例子，然後我們再討論池化層的必要性。假如輸入是一個4×4矩陣，用到的池化類型是最大池化（max pooling）。執行最大池化的樹池是一個2×2矩陣。執行過程非常簡單，把4×4的輸入拆分成不同的區域，我把這個區域用不同顏色來標記。對於2×2的輸出，輸出的每個元素都是其對應顏色區域中的最大元素值。
左上區域的最大值是9，右上區域的最大元素值是2，左下區域的最大值是6，右下區域的最大值是3。為了計算出右側這4個元素值，我們需要對輸入矩陣的2×2區域做最大值運算。這就像是應用了一個規模為2的過濾器，因為我們選用的是2×2區域，步幅是2，這些就是最大池化的超參數。
因為我們使用的過濾器為2×2，最後輸出是9。然後向右移動2個步幅，計算出最大值2。然後是第二行，向下移動2步得到最大值6。最後向右移動3步，得到最大值3。這是一個2×2矩陣，即f=2，步幅是2，即s=2。
這是對最大池化功能的直觀理解，你可以把這個4×4輸入看作是某些特徵的集合，也許不是。你可以把這個4×4區域看作是某些特徵的集合，也就是神經網絡中某一層的非激活值集合。
數字大意味著可能探測到了某些特定的特徵，左上象限具有的特徵可能是一個垂直邊緣，一隻眼睛，或是大家害怕遇到的CAP特徵。顯然左上象限中存在這個特徵，這個特徵可能是一隻貓眼探測器。然而，右上象限並不存在這個特徵。最大化操作的功能就是隻要在任何一個象限內提取到某個特徵，它都會保留在最大化的池化輸出裡。所以最大化運算的實際作用就是，如果在過濾器中提取到某個特徵，那麼保留其最大值。如果沒有提取到這個特徵，可能在右上象限中不存在這個特徵，那麼其中的最大值也還是很小，這就是最大池化的直觀理解。
必須承認，人們使用最大池化的主要原因是此方法在很多實驗中效果都很好。儘管剛剛描述的直觀理解經常被引用，不知大家是否完全理解它的真正原因，不知大家是否理解最大池化效率很高的真正原因。
其中一個有意思的特點就是，它有一組超參數，但並沒有參數需要學習。實際上，梯度下降沒有什麼可學的，一旦確定了f和s，它就是一個固定運算，梯度下降無需改變任何值。
我們來看一個有若干個超級參數的示例，輸入是一個5×5的矩陣。我們採用最大池化法，它的過濾器參數為3×3，即f=3，步幅為1，s=1，輸出矩陣是3×3。之前講的計算卷積層輸出大小的公式同樣適用於最大池化，即(n+2p-f)/s+1，這個公式也可以計算最大池化的輸出大小。
此例是計算3×3輸出的每個元素，我們看左上角這些元素，注意這是一個3×3區域，因為有3個過濾器，取最大值9。然後移動一個元素，因為步幅是1，藍色區域的最大值是9.繼續向右移動，藍色區域的最大值是5。然後移到下一行，因為步幅是1，我們只向下移動一個格，所以該區域的最大值是9。這個區域也是9。這兩個區域的最大值都是5。最後這三個區域的最大值分別為8，6和9。超參數f=3，s=1，最終輸出如圖所示。
以上就是一個二維輸入的最大池化的演示，如果輸入是三維的，那麼輸出也是三維的。例如，輸入是5×5×2，那麼輸出是3×3×2。計算最大池化的方法就是分別對每個通道執行剛剛的計算過程。如上圖所示，第一個通道依然保持不變。對於第二個通道，我剛才畫在下面的，在這個層做同樣的計算，得到第二個通道的輸出。一般來說，如果輸入是5×5×n_c，輸出就是3×3×n_c，n_c個通道中每個通道都單獨執行最大池化計算，以上就是最大池化算法。
另外還有一種類型的池化，平均池化，它不太常用。我簡單介紹一下，這種運算顧名思義，選取的不是每個過濾器的最大值，而是平均值。示例中，紫色區域的平均值是3.75，後面依次是1.25、4和2。這個平均池化的超級參數f=2，s=2，我們也可以選擇其它超級參數。
目前來說，最大池化比平均池化更常用。但也有例外，就是深度很深的神經網絡，你可以用平均池化來分解規模為7×7×1000的網絡的表示層，在整個空間內求平均值，得到1×1×1000，一會我們看個例子。但在神經網絡中，最大池化要比平均池化用得更多。
總結一下，池化的超級參數包括過濾器大小f和步幅s，常用的參數值為f=2，s=2，應用頻率非常高，其效果相當於高度和寬度縮減一半。也有使用f=3，s=2的情況。至於其它超級參數就要看你用的是最大池化還是平均池化了。你也可以根據自己意願增加表示padding的其他超級參數，雖然很少這麼用。最大池化時，往往很少用到超參數padding，當然也有例外的情況，我們下週會講。大部分情況下，最大池化很少用padding。目前p最常用的值是0，即p=0。最大池化的輸入就是n_H×n_W×n_c，假設沒有padding，則輸出⌊(n_H-f)/s+1⌋×⌊(n_w-f)/s+1⌋×n_c。輸入通道與輸出通道個數相同，因為我們對每個通道都做了池化。需要注意的一點是，池化過程中沒有需要學習的參數。執行反向傳播時，反向傳播沒有參數適用於最大池化。只有這些設置過的超參數，可能是手動設置的，也可能是通過交叉驗證設置的。
除了這些，池化的內容就全部講完了。
最大池化只是計算神經網絡某一層的靜態屬性，沒有什麼需要學習的，它只是一個靜態屬性。
關於池化我們就講到這兒，現在我們已經知道如何構建卷積層和池化層了。下節課，我們會分析一個更復雜的可以引進全連接層的卷積網絡示例。
閱讀更多 極客Array 的文章
