卷积神经网络-池化层和激活层

2.池化层

根据特征图上的局部统计信息进行下采样，在保留有用信息的同时减少特征图的大小。和卷积层不同的是，池化层不包含需要学习的参数。最大池化(max-pooling)在一个局部区域选最大值作为输出，而平均池化(average pooling)计算一个局部区域的均值作为输出。局部区域池化中最大池化使用更多，而全局平均池化(global average pooling)是更常用的全局池化方法。

池化的核通常采用2×2的大小，平均池化就是计算2×2范围内的平均值，最大池化就是取该范围内的最大值。目前比较常用的是最大池化。在经过池化后，原图像的channel是不发生改变的。

池化层的作用：

1. 增加特征平移不变性。

2. 减小特征图大小。

3. 最大池化可以带来非线性。

3.激活层

激活层的作用在于将前一层的线性输出，通过非线性的激活函数进行处理，这样用以模拟任意函数，从而增强网络的表征能力。激活层常用的函数包括sigmoid和ReLu（Rectified-Linear Unit，修正线性单元）等。激活函数是一些非线性的函数，这些函数的特性有所不同：

1.sigmoid函数可以将数值压缩到[0, 1]的区间。

2.tanh可以将数值压缩到[-1, 1]的区间。

3.ReLu函数实现一个取正的效果，所有负数的信息都抛弃。

4.LeakyReLu是一种相对折中的ReLu，认为当数值为负的时候可能也存在一定有用的信息，那么就乘以一个系数0.1（可以调整或自动学习），从而获取负数中的一部分信息。

5.Maxout使用两套参数，取其中值大的一套作为输出。

6.ELU类似于LeakyReLu，只是使用的公式不同。

以Tensorflow为例学习如何搭建这些层的方法：

卷积层：tf.nn.conv2d(input, filter, strides, padding)

激活层：tf.nn.relu()

池化层：tf.nn.max_pool()（最大池化）