請問CNN 中的 maxpool 到底是什麼原理，為什麼要取最大值，取最大值的原理是什麼？謝謝。

1樓：阿力阿哩哩

之前寫過一篇文章，正好回答一波。

阿力阿哩哩：一文掌握CNN卷積神經網路一般來說，卷積層後面都會加乙個池化層，這時候大家又可以往上看看圖 4.9的CNN網路結構了，並且可以將它理解為對卷積層進一步特徵抽樣，池化層主要分為兩種，這時候筆者認為前面說了這麼多，現在給大家上一張圖，大家應該就明白池化層是何用處。

池化層運算如圖 4.14所示。

圖 4.14 Pooling運算示意圖

是的，max就是將對應方塊中最大值一一對映到最大池化層（max pooling layer），mean就是將對應方塊的平均值一一對映到平均池化層（mean pooling layer）。

2樓：天雨粟

maxpool的目的在於關注每個patch裡面的重要資訊，同時減少資料量，對於計算來說是非常有效的。同時也在一定程度上避免整個模型過擬合。

3樓：Cheng Rong

既然是人工智慧，一定要加入一些人的思想，去掉就叫機器智慧型。沒有它其實不影響結果的。降噪和降維都不是它的主要目的。主要是讓初者看不懂。

maxpool 這種操作機器是學不出來的，這讓我們反思現在的網路結構是否合理，反之如果有人說能學出來，也證明這個是人為的設定，沒有必要性。

減少人為設定不是我們採用深度學習的初衷嗎，這個其實可以沒有的。

4樓：劉俊是

5樓：doddle

其實這和卷積操作有關，卷積核本質上可以看做是乙個濾波器，或者說是乙個小二分類神經網路用來判斷是否是某乙個特徵的概率。因為每個卷積核只對乙個特徵敏感，過濾出來的map只是表示乙個特徵的概率分布狀況，所以取相鄰區域的最大值並不會對其他特徵的資訊構成影響，即使是本卷積核的特徵損失也是微乎其微的

6樓：

個人理解，MaxPooling有以下幾點作用：1. 減少運算量；2.

乙個卷積核可以認為是一種特徵提取器，遇到符合的特徵會得到較大的值，通過取max可以避免其他不相關特徵的干擾； 3. 同樣的特徵，會存在強弱、位置等方面的差異，但都是相同的特徵，通過取max可以避免位置帶來的干擾。

7樓：wangyang

pooling的初衷是平移(位置)不變，也就是位置不敏感，有無很重要。目標只要存在特徵就能被模板檢測到。max pooling就是把檢測到的對應訊號放出來。

8樓：未雨

pooling的理論解釋是比較蒼白的，更多的是乙個實驗結果，能很好的減少計算量和限制網路規模，讓模型更容易訓練。就mean和max兩種方式而言，mean是線性運算，max是非線性。前者網路自己是比較容易學到的，後者相對而言則更難學。

這也是後者更為流行的乙個原因。