CNN中卷积层和池化的作用和理解

承接上文对CNN的介绍[学习笔记P20-CNN]，下面来看看一些细节梳理：

CNN框架：

池化层（pooling layer)也叫做子采样层（subsampling layer），其作用是进行特征选择，降低特征数量，并从而减少参数数量。

为什么conv-layer之后需要加pooling_layer?

卷积层【局部连接和权重共享】虽然可以显著减少网络中连接的数量，但特征映射组中的神经元个数并没有显著减少。如果后面接一个分类器，分类器的输入维数依然很高，很容易过拟合。为了解决这个问题，可以再卷积层之后加上一个pooling layer，从而降低特征维数，避免过拟合。

Pooling是指对每个区域进行下采样（Down Sampling）得到一个之，作为这个区域的概括。常用的pooling 函数有两种：

1）最大池化（Max Pooling）：一般是取一个区域内所有神经元的最大值。

2）平均池化（Mean Pooling）：一般是取区域内所有神经元的平均值。<