# 了解池化 通常，在卷積操作中，應用幾個不同的內核，這導致生成若干特征映射。因此，卷積運算導致生成大尺寸數據集。 例如，將形狀為 3 x 3 x 1 的內核應用于具有 28 x 28 x 1 像素形狀的圖像的 MNIST 數據集，可生成形狀為 26 x 26 x 1 的特征映射。如果我們在 a 中應用 32 個這樣的濾波器卷積層，則輸出的形狀為 32 x 26 x 26 x 1，即形狀為 26 x 26 x 1 的 32 個特征圖。 與形狀為 28 x 28 x 1 的原始數據集相比，這是一個龐大的數據集。因此，為了簡化下一層的學習，我們應用池化的概念。 **合并**是指計算卷積特征空間區域的聚合統計量。兩個最受歡迎的匯總統計數據是最大值和平均值。應用 max-pooling 的輸出是所選區域的最大值，而應用平均池的輸出是區域中數字的平均值。 例如，假設特征圖的形狀為 3 x 3，形狀的池區域為 2 x 2.以下圖像顯示了使用[1,1]的步幅應用的最大池操作： | | | | --- | --- | |  |  | |  |  | 在最大池操作結束時，我們得到以下矩陣： | | | | --- | --- | | 5 | 6 | | 8 | 9 | 通常，池化操作應用非重疊區域，因此步幅張量和區域張量被設置為相同的值。 例如，TensorFlow 具有以下簽名的`max_pooling`操作： ```py max_pool( value, ksize, strides, padding, data_format='NHWC', name=None ) ``` `value` 表示形狀 `[batch_size, input_height, input_width, input_depth]` 的輸入張量。對矩形形狀區域`ksize`執行合并操作。這些區域被形狀`strides` 抵消。 您可以在以下鏈接中找到有關 TensorFlow 中可用的池化操作的更多信息：[https://www.tensorflow.org/api_guides/python/nn#Pooling](https://www.tensorflow.org/api_guides/python/nn#Pooling) 有關 Keras 中可用池化的更多信息，請訪問以下鏈接：[https://keras.io/layers/pooling/](https://keras.io/layers/pooling/) 以下鏈接提供了池化的詳細數學說明：[http://ufldl.stanford.edu/tutorial/supervised/Pooling/](http://ufldl.stanford.edu/tutorial/supervised/Pooling/)