了解有关最大池化特征提取的更多信息。

简介

在第二课中，我们开始讨论卷积神经网络（convnet）的基础如何进行特征提取。我们了解了这个过程中的前两个操作是在带有 relu 激活的 Conv2D 层中进行的。

在这一课中，我们将看一下这个序列中的第三个（也是最后一个）操作：通过最大池化进行压缩，这在 Keras 中是通过 MaxPool2D 层完成的。

通过最大池化进行压缩

在我们之前的模型中添加压缩步骤，将得到以下结果：

In [1]:

from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.Conv2D(filters=64, kernel_size=3), # activation is None
    layers.MaxPool2D(pool_size=2),
    # More layers follow
])

MaxPool2D 层很像 Conv2D 层，只不过它使用一个简单的最大函数而不是内核，其中 pool_size 参数类似于 kernel_size。然而，MaxPool2D 层没有像卷积层在其内核中那样的可训练权重。

让我们再看一下上一课中的提取图。记住，MaxPool2D 是 Condense 步骤。

注意，应用 ReLU 函数（Detect）后，特征图最终会有很多“死区”，即只包含 0 的大面积区域（图像中的黑色区域）。如果让这些 0 激活值通过整个网络，将会增加模型的大小，而不会添加太多有用的信息。相反，我们希望压缩特征图，只保留最有用的部分——特征本身。

这实际上就是最大池化所做的。最大池化在原始特征图的激活块中取最大的激活值。

当在 ReLU 激活后应用时，它具有“强化”特征的效果。池化步骤增加了活动像素与零像素的比例。

示例 - 应用最大池化

让我们在第二课中的示例中添加“压缩”步骤。这个下一个隐藏单元将带我们回到我们之前的位置。

In [2]:

import tensorflow as tf
import matplotlib.pyplot as plt
import warnings

plt.rc('figure', autolayout=True)
plt.rc(</