综述:最大池化，平均池化，全局最大池化和全局平均池化？区别原来是这样

摘要

创建ConvNets通常与池化层并驾齐驱。更具体地说，我们经常看到其他层，例如最大池化。但是他们是什么？为什么有必要，以及它们如何帮助训练机器学习模型？以及如何使用它们？

我们在此博客文章中回答这些问题。

首先，我们将从概念层面看一下池化操作。我们探索了ConvNet的内部工作原理，并通过此分析显示了合并层如何帮助这些模型中生成的空间层次结构。然后，我们继续确定池的四种类型-最大池化，平均池化，全局最大池化和全局平均池化。

随后，我们从理论转向实践：我们展示池化如何在Keras（当今最广泛使用的深度学习框架）中表示。然后，我们通过基于MaxPooling的示例来结束本博客。

什么是池化？

假设您正在训练卷积神经网络。您的目标是对数据集中的图像进行分类。由您的神经网络中的第一卷积层执行的操作可以表示如下：

该层的输入是图像，高度为 H，宽度 w ^并具有三个渠道。因此，它们很可能是RGB图像。使用3x3x3内核，对输入图像执行卷积运算，生成N所谓的“特征图”的大小H