deep learning中的pooling是什么意思？

pooling中文叫做池化，常用的pooling方法有最大值法和均值法。

pooling的作用就是对图片中的每个小块（而不是每个点）提取信息。

比如有个4 x 4的矩阵，

如果我们用2 x 2的max pooling，也就是对上面原矩阵中2 x 2的小分块矩阵求最大值，就可以得到如下结果。

如果我们用2 x 2的average pooling，也就是对上面原矩阵中2 x 2的小分块矩阵求均值，就可以得到如下结果。

池化实际上是使图片变小来突出特征，节省运算量。

比如2X2池化是把相邻4个点变成一个点，怎么处理呢？

上面说的比较清楚了，一般取最大值，或者平均值。

CNN就是为了图像处理设置的，图像中我们进行池化并不会对图像造成很大损失。

手册里有

池化

pooling是池化的意思，一般在神经网络中有常见的两种池化方式

池化层

在通过卷积层获得输入的特征时，我们需要做的利用这么特征继续做分类运算。但是针对多个卷积核下的输出特征，依旧会面临着超庞大的参数运算，为了解决这个问题，我们依旧需要减少参数量。在使用卷积层时，是因为卷积运算可以有效的从输入中提取特征，我们可以对特征做再统计。这一再统计既要能够反映原输入的特征，又要能够降低数据量，我们很自然的想到了取平均值、最大值。这也是池化操作。

池化层原理

从CNN的总体结构上来看，在卷积层之间往往会加入一个池化层(pooling layer).池化层可以非常有效地缩小图片的尺寸。从而减少最后全连接层的参数，在加快计算速度的同时也防止了过拟合的产生。

池化层前向传播过程类似于卷积层的操作一样，也是通过移动一个类似滤波器的结构完成的，不同于卷积层的是，池化层的滤波器计算不是加权求和，而且求区域内的极大值或者平均值。 

一 使用最多的是最大值操作的池化层，又称最大池化层(max pooling)，计算图像区域内最大值，提取纹理效果较好. 

二  使用平均值操作的池化层，又称平均池化层(mean pooling)，计算图像区域的平均值，保留背景更好  

以图片的二维pooling为例，它是用于降低二维向量的维度。常用的pooling方法有max pooling, average pooling等。以2乘2的max pooling为例，它就是仅仅保留每个2乘2的窗口中数值最大的那个元素。

max pooling可以看做是2x2的非线性filtering（取max）再1/2下采样(down sample)，用于提取一个2x2块的信息。最主要目的是

1.在空间上减小数据量，减少计算量

2加入空间平移不变性，减少过拟合。平移小于1个像素，不影响结果。

pooling只能用在Image/Region classification这类以区域为单位的任务。对于以像素为单位的任务（regression / restoration/ deconvolution）最好不用pool，因为在空间上的信息被压缩(down sample)后很难恢复，或者是能靠训练数据得到先验知识中去猜。