2.4 池化层（Pooling Layer）

文档摘要

2.4 池化层（Pooling Layer） 2.4 池化层（Pooling Layer）在卷积神经网络（CNN）中，池化层（Pooling Layer）是继卷积层和激活函数之后一个关键的构建模块。它的主要作用是对特征图（feature map）进行下采样（down-sampling），从而减少数据的空间维度（宽度和高度），保留重要的特征信息，并降低计算复杂度。池化层在构建高效、鲁棒的CNN模型中扮演着不可或缺的角色。 2.4.1 池化层的目的引入池化层主要有以下几个目的：降低维度（Dimensionality Reduction）：通过减小特征图的尺寸，显著减少网络中的参数数量和计算量，这有助于控制模型的大小，加快训练速度。