深度學習筆記5：池化層的實現

池化層的推導 池化層的輸入一般來源於上一個卷積層，主要作用是提供了很強的魯棒性（例如max-pooling是取一小塊區域中的最大值，此時若此區域中的其他值略有變化，或者圖像稍有平移，pooling後的結果仍不變），並且減少了參數的數量，防止過擬合現象的發生。池化層一般沒有參數，所以反向傳播的時候，只需對輸入參數求導，不需要進行權值更新。 池化層的前向計算 前向計算過程中，我們對卷積層輸出map的每

>>阅读原文<<