Notes on Section 6.5

在处理图像信息的时候，我们希望如下的操作：

“逐渐降低隐藏表示的空间分辨率、聚集信息，随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。”

我们现在假想一个任务，比如说从一个图像中分辨出某一个事物，那么，我们的最后一层的神经元理应对整个输入具有全局敏感。同时降低出对于空间位置采样的敏感性

这一节，我们将引入汇聚（pooling）层，也称为池化层

其具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。

以下我们定义一个池化层

这里我么可以发现池化层和卷积层的关联，首先就是都有一个类似卷积核的窗口（pool size）以及步长（stride），不过区别在于，池化层没有需要训练的参数而更像一个非线性函数，其运作逻辑在图中体现了两种，分别是取窗口内最大值和平均值

从这个部分可以看出来，其运作逻辑和卷积层是非常类同的

在接受多个通道的时候，池化层在每个输入通道上单独运算，所以说输入通道数和输出通道数也是相同的

通过对池化层运作逻辑的研究，我们可以总结出池化层的一些功能：

**取区域最值/均值-平移不变性-**解决像素位移导致结果巨变的问题

**尺寸下采样-增大感受野-**有利于整体观测

**丢弃部分空间信息-抽象化与降噪-**提高模型的鲁棒性，减少计算负担