雖然加入池化層是為了使網路獲得抗扭曲，抗拉伸的特性並不完全是為了計算效率考慮，但加入池化層到底對計算速度有什麼影響？這裡設計了兩個網路做對比，
其中乙個是有2個卷積層，2層全連線層的神經網路，另乙個是2層卷積層，2層池化層，2層全連線層的神經網路。兩個網路都是輸入的28*28的，收斂條件一樣，通過計算迭代次數比較兩個網路的效率。
為了方便描述將網路的各層稱作 n1*n2*n3*n4 ,比如288*120*80*10 ，n1指288，n4指10.需要經過12851次迭代才能收斂。
可以看到無論是否有池化層，當n3=100，隨著n2的增加效能變化不大，當n3=300，隨著n2的增加有變慢的趨勢，當n3=200時隨著n2的增加，效能明顯大幅提公升。
並且無論是否增加池化層兩個網路最優的引數配置都是200*200*10 ，500*200*10，600*200*10.
所以分別對這3個引數做了對比，每個引數都執行了10次，
可以看到沒有加池化層的網路最優的引數是600*200*10 共測試10次平均迭代次數2224，有池化層的最優引數是200*200*10，平均只需要1691次迭代就可以收斂。比無池化的網路的最優引數600*200*10的效能提到了23%。如果對比同引數的無池化的200*200*10的2436，則效能提公升超過30%。
可見池化層不僅可以使網路獲得抗扭曲，抗拉伸的特性，並且對提高收斂速度也有幫助，並且可以改變網路的最佳引數的位置。
卷積神經網路 池化層
池化層的作用 增加平移不變性 降取樣，即降維 增大感受野 平移的不變性是指當我們對輸入進行少量平移時，經過池化函式後的大多數輸出並不會發生改變。區域性平移不變性是乙個有用的性質，尤其是當我們關心某個特徵是否出現，而不關心它出現的具體位置時。保留主要特徵的同時減少引數和計算量，防止過擬合，提高模型泛化...
卷積神經網路中的「池化層」
池化 pooling 是卷積神經網路中另乙個重要的概念，它實際上是一種形式的降取樣。有多種不同形式的非線性池化函式，而其中 最大池化 max pooling 是最為常見的。它是將輸入的影象劃分為若干個矩形區域，對每個子區域輸出最大值。直覺上，這種機制能夠有效地原因在於，在發現乙個特徵之後，它的精確位...
卷積神經網路池化層和卷積層作用
個人覺得主要是兩個作用 1.invariance 不變性 這種不變性包括translation 平移 rotation 旋轉 scale 尺度 2.保留主要的特徵同時減少引數 降維，效果類似pca 和計算量，防止過擬合，提高模型泛化能力 1 translation invariance 這裡舉乙個直...