关于卷积神经网络的池化层（pooling）

了解池化层 

        池化层又称“下采样层”或“子采样层”，池化层可以大大降低特征的维度，减少计算量，同时可以避免过拟合问题。

        顾名思义，最大池化层就是从输入的矩阵中某一范围内，选择最大的元素进行保留；平均池化层就是将输入的矩阵中某一范围内的数求平均值，再进行保留；最小池化层是从输入的矩阵中某一范围内，选择最小的元素进行保留。 这里需要注意的一点是，池化层对每个输入通道分别池化，而不是像卷积层那样将各通道的输入按通道相加，这意味着池化层的输出通道数与输入通道数相等。

池化层的参数

        池化层常见的有三种：最大池化层、平均池化层以及最小池化层。常用的为最大池化层。 池化层参数主要有两个，一个是池化层的形状，另一个是池化层的步幅。当然，池化层也支持填充。 例如上图中就是最大池化层，形状大小为2∗2，步幅为2。 

如何调用 Pytorch 中的池化层 

   nn.MaxPool2d()就是最大池化层，常用的有三个参数，kernel_size、stride以及padding，和卷积层的含义相同，不多做赘述。 

nn.MaxPool2d(2, 2)     # kernel_size，stride