摘要：最大池化、平均池化、全局最大池化和全局平均池化？ 区别在于，这样总结和创建ConvNets通常与池化层并行。 更具体地说，我们经常看到其他层，例如最大池化。 但是他们是什么？ 为什么需要，以及它们如何有助于训练机器学习模式？ 如何使用呢？
我们在这篇博客文章中回答这些问题。
首先，让我们从概念层面来看池化操作。 探索了ConvNet的内部工作原理，通过该分析，给出了合并层如何帮助这些模型生成的空间层次。 接下来，我们将继续确定四种类型：最大池化、平均池化、全局最大池化和全局平均池化。
然后，从理论转向实践。 展示池化在Keras (当前最广泛使用的深度学习框架)中的表现方式。 然后，以基于最大轮询的示例退出此博客。
什么是游泳池化？ 假设你在训练卷积神经网络。 目标是对数据集中的图像进行分类。 在神经网络的第一个卷积层上执行的操作可以表示为：
该层的输入是图像，高度为h，宽度为w ^，有三个通道。 因此，很可能是RGB图像。 使用3x3x3内核#