深入理解CNN卷积神经网络各层的意义
卷积神经网络的一般架构
Convolution–卷积层
Pooling–池化层
Fully connected–全连接层
池化层
【作用】：缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性（可以理解为抗干扰性能）
【分类】：
- Max Pooling：最大池化
- Average Pooling：平均池化
最大池化（效率高）
【处理】：以上图为例，将输入分为四个区域，取出每个区域的最大值，组成新的矩阵
【理解】：可以把输入的矩阵看作是某些特征的集合，数字大意味着过滤器提取了某些特定的特征，池化就是任意一个区域提取到了最大特
征就会保留在最大池化的输出里面，如果没有提取到，那么最大值仍然很小。
【特点】：卷积层输出大小公式同样适用于池化
只不过这里的过滤器指的是划分的池化区域
以上图为例：f = 2 s = 2 p = 0 n = 4
output become (n + 2 * p - f)/s + 1 = 2
平均池化
【处理】：取每个区域的平均值，组成新的矩阵
【总结】：最大池化要比平均池化用的更多，两者都是计算神经网络某一层的静态属性