取样层

取样层（pooling layer，也称为池化层）紧跟在卷积层之后，同样由多个特征面组成，它的每一个特征面对应于其上一层的一个特征面，不会改变特征面的个数。

介绍卷积层是取样层的输入层，卷积层的一个特征面与取样层中的一个特征面对应，且取样层的神经元也与其输入层的局部接受域相连，不同神经元局部接受域不重叠。取样层旨在通过降低特征面的分辨率来获得具有空间不变性的特征。取样层起到二次提取特征的作用，它的每个神经元对局部接受域进行池化操作。常用的池化方法有最大池化（max-pooling）即取局部接受域中值最大的点、均值池化（mean pooling）即对局部接受域中的所有值求均值、随机池化（stachastic pooling）1。

取样层输出神经元个数取样层在上一层滑动的窗口也称为取样核。事实 上 ， CNN 中 的 卷 积 核 与 取 样 核 相 当 于Hubel-Wiesel 模型中感受野在工程上的实现，卷积层用来模拟 Hubel-Wiesel 理论的简单细胞，取样层模拟该理论的复杂细胞。CNN 中每个取样层的每一个输出特征面的大小（神经元个数）DoMapN 为：

其中，取样核的大小为 DWindow，在上图中DWindow=2 。 取样层通过减少卷积层间的连接数量，即通过池化操作神经元数量减少，降低了网络模型的计算量。

本词条内容贡献者为:

宋春霖 - 副教授 - 江南大学