池化层 Pooling Layer

写在前面：人生就是努力、搞不懂、躺平，循环。

文章结构

1. 池化层的相对位置
2. 在多通道任务中，池化层和卷积层的不同
3. 重要的参数stride 与 kernel_size 大小的相对关系决定3种池化层
   1. 参数
   2. 针对不同的任务，使用不同的 stride 和 kernel_size。
   3. kernel_size是否越大越好？
4. 常用的池化层/结构（名称、优点、适用于、pytorch 函数）
1. 最大值池化
2. 平均值池化
3. 组合池化
4. 自适应最大值/均值池化
5. 全局平均池化
6. 随即池化
7. 分数阶最大池化
8. 幂均值池化/LP池化
9. Detail-Preserving Pooling
10. Local Importance Pooling
11. 软池化
12. 双线性池化
5. 反池化反卷积/转置卷积
   • 适用于
   • pytorch函数

如果存在错误，欢迎指正，共同学习。
部分图片与公式来源网络。博客起初是我的个人学习笔记，如有侵权，请联系我添加来源或进行删除。

池化层的相对位置

Convolutional Layer → ReLU → Pooling Layer

在多通道任务中，池化层和卷积层的不同

重要参数

1. 参数
• 步长 stride
• 填充值 zero_padding
• 卷积核kernel及其大小size，深度/个数depth
2. 针对不同的任务，使用不同的 stride 和 kernel_size。
   1. 1. 1. 1. 1. 1. • 
3. kernel_size是否越大越好？
• 

stride 与 kernel_size 大小的相对关系决定3种池化层。

常用的池化层/结构（名称、优点、适用于、pytorch 函数）

组合池化 组合最大值池化和均值池化，常见 Cat与Add 当做分类任务的一个trick，其作用就是丰富特征层，maxpool更关注重要的局部特征，而average pooling更关注全局特征。

随机池化/随机位置池化 将方格中的元素同时除以它们的和sum，得到概率矩阵

Detail-Preserving Pooling 保存网络的精度 放大空间变化并保留重要的图像结构细节，且其内部的参数可通过反向传播加以学习
Local Importance Pooling

反池化

• 适用于：扩大特征图的尺寸，它通过学习滤波器和步长来逆转池化过程中的降维过程。

• pytorch 函数： torch.nn.MaxUnpool2d

反卷积/转置卷积 计算步骤

按卷积核个数depth，写成一个depth行input_size*input_size列大小的矩阵 C，将现有的结果y，根据公式
 
计算得 输入 input/x