全局池化操作看这里： 什么是全局池化？

最大池化（Max Pooling）和平均池化（Average Pooling） 是两种常见的池化操作，用来对特征图进行下采样，从而减少数据的维度，突出特征，同时降低计算成本。

池化操作通常在卷积层之后进行，用来缩小特征图的尺寸，同时保持关键信息。

1. 最大池化（Max Pooling）

最大池化会在特定的局部窗口（例如 2x2）内选取最大值，作为该窗口的输出值。目的是保留最显著的特征信息，同时减少特征图的分辨率。

假设有一个 2x2 的窗口：

2  3
8  4

最大池化在这个窗口中会输出 8，因为它是这个窗口中的最大值。

特点

强调高亮的（激活值大的）特征，适合于保留边缘、轮廓等显著特征。
对噪声具有一定的鲁棒性，因为池化过程中会忽略较小的值。

2. 平均池化（Average Pooling）

平均池化会在指定的窗口内取平均值，用这个平均值来表示该窗口的特征。这样能够得到更平滑的特征图，通常适用于提取整体的、平滑的特征。

对于一个 2x2 的窗口：

2  3
8  4

平均池化会输出

 (2 + 3 + 8 + 4) / 4 = 4.25

特点

注重特征的平滑性，更适合用于降噪或提取平滑的全局信息。
通常用于减少特征图尺寸时，确保信息不至于丢失得过多。

3. 应用场景对比

• 最大池化适合用于边缘检测、物体识别等需要关注显著特征的任务。
• 平均池化常用于获取图像的整体概览，例如分类任务中作为全局特征的表示。

4. 在 CNN 中的作用

在卷积神经网络中，最大池化和平均池化可以有效减少参数量和计算量，使模型更加轻量级，提取出重要特征，从而提高模型的泛化能力。在卷积层之后通常使用池化层来降低特征图的分辨率，这也是 CNN 结构中下采样的一个重要组成部分。