开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第二十四天，点击查看活动详情
总结：此文为12月更文计划第二十四天第三十九篇。
池化操作
池化作用： 池化函数使用某一位置的相邻输出的总体统计特征来代替 网络在该位置的输出。本质是 降采样，可以大幅减少网络的参数量。 池化技术的本质：在尽可能保留图片空间信息的前提下，降低图片的尺寸，增 大卷积核感受视野，提取高层特征，同时减少网络参数量，预防过拟合。 简单来说：等比例缩小图片，图片的主体内容丢失不多，依然具有平移，旋转， 尺度的不变性，简单来说就是图片的主体内容依旧保存着原来大部分的空间信息。
最大值池化
能够抑制网络参数误差造成的估计均值偏移的现象。
Stride 步长为 2，kernel_size 还是池化核，最大值池化就是求最大，而且不补零，
池化操作特点
特点
◆常使用不重叠（池化核的大小与步长相等）、不补零（
padding 为 valid）
◆没有用于求导的参数（没有需要训练的参数，参数个数为 0）
◆池化层的超参数为步长和池化核大小
◆用于减少图像尺寸,从而减少计算量
◆一定程度平移鲁棒
比如一只猫移动了一个像素的另外一张图片，我们先做池化，再做卷积，那么最终还是可以
识别这个猫
◆损失了空间位置精度
求的是平均值
深度可分离卷积
深度可分离卷积结构，我们把 3 个块的图，替换为 6 个块的图，就完成了深度可分离的卷积 神经网络
谷歌在 15-16 年引入的 inception V3 模型，这样可以有不同的视野域 由上图可以看出，深度可分离卷积相对于传统卷积，多了 3 层，1x1 Conv，BN 和 ReLU
