一、深度学习中池化层的作用

池化层是特征选择和信息过滤的过程，过程中会损失一部分信息，但是会减少参数和计算量，在模型效果和计算性能之间寻找到平衡，随着计算速度的不断提高，如今出现了一些设计上的变化，有些网络已经开始少用或者不用池化层。

             平均池化                                                                                 最大池化

1.1  AVG Pooling 平均池化

对领域内特征点求平均

• 优缺点：很好的保留背景，但是容易使得图片模糊
• 正向传播：领域内取平均值
• 反向传播：特征值根据领域大小被平均，然后传给每个索引位置

1.2  Max Pooling 最大池化

对领域内特征点取最大

• 优缺点：能很好保留一些关键的纹理特征（保留最大的特征），现在更多的是使用Max Pooling而很少使用Avg Pooling
• 正向传播：取领域内最大，并记住最大值的索引位置，以方便反向传播
• 反向传播：将特征值填充到正向传播中，值最大的索引位置，其他位置补0