卷积神经网络（CNN）池化层的最大池化（Max Pooling）和 平均池化（Average Pooling）

卷积神经网络（Convolutional Neural Network, CNN）中的最大池化层（Max Pooling Layer）和平均池化层（Average Pooling Layer）都是用于下采样（Downsampling）的技术，它们的主要作用有： 1. **空间不变性**：减少特征图的空间尺寸，防止过拟合，提高模型的计算效率。 2. **特征不变性**：保留最显著的特征，对输入图像的微小变化不敏感，提高模型的鲁棒性。 3. **减小参数**：减少后续层的输入维度，减少模型复杂度。 **最大池化**（Max Pooling）的工作原理是取每个窗口内的最大值作为输出，其计算公式通常是： 对于一个 \( M \times N \) 的窗口，移动步长为 \( S \)，则输出特征图的大小为： \[ \frac{输入高度 - 填充 + 滑动步长}{滑动步长} + 1 \times \frac{输入宽度 - 填充 + 滑动步长}{滑动步长} + 1 \] **平均池化**（Average Pooling）则是对每个窗口内的像素值求平均，输出也是窗口大小对应的整数。没有具体的数学公式，但过程可以用简单的加权平均来描述。