👨‍🎓作者简介：一位即将上大四，正专攻机器学习的保研er
🌌上期文章：机器学习&&深度学习——卷积的多输入多输出通道
📚订阅专栏：机器学习&&深度学习
希望文章对你们有所帮助

这其实也是torch.nn模块的知识，在之前的内容中有提到过，这边就是简单总结和回顾一下了，大家可以看看之前的内容：
机器学习&&深度学习——torch.nn模块

池化层

处理图像时，要逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。
而最终的机器学习任务通常会和全局图像的问题有关（如”判断图像中的是否是一只猫“），最后一层的神经元应该对整个输入的全局敏感。
此外，当检测底层的特征时（比如判断猫的边缘），我们希望这些特征具有平移不变性。
池化层就具有两个重要的作用：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。

最大池化层和平均池化层

下面给出一个输入：

用窗口大小2×2的最大池化层进行池化操作，最后得到：

以垂直边缘检测为例：

如上图所示，可以看出2×2的最大池化层可以容忍1个像素的移位，卷积层仍然可以识别到模式。
下面实现pool2d函数，实现池化层的前向传播，同时构建输入张量X并验证二维最大池化层、平均池化层的输出：

import torch
from torch import nn
from d2l import torch as d2l


def pool2d(X, pool_size, mode='max'):
    p_h, p_w = pool_size
    Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            if mode == 'max':
                Y[i, j] = X[i: i + p_h, j: j + p_w].max()
            elif mode == 'avg':
                Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
    return Y

X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
print(pool2d(X, (2, 2)))
print(pool2d(X, (2, 2), 'avg'))

填充、步幅和多个通道

1、池化层与卷积层类似，都有填充和步幅
2、没有可学习的参数
3、在每个输入通道应用池化层以获得相应的输出通道
4、输出通道数=输入通道数

总结

1、对于给定输入元素，最大池化层会输出该窗口内的最大值，平均池化层会输出该窗口内的平均值。
2、主要优点之一是减轻卷积层对位置的过度敏感。
3、我们可以指定池化层的填充和步幅。
4、使用最大池化层以及大于1的步幅，可减少空间维度（如高度和宽度）。
5、池化层的输出通道数与输入通道数相同。