Tensorflow學習筆記之池化
在深度學習網路中，經常會遇到池化操作，並且往往是在卷積之後，池化操作的意義是降低卷積層輸出特徵向量的維度，並且通過不同的池化方法使不同維度的卷積層輸出結果得到相同維度的特徵向量結果。

1、一般池化
池化過程作用於不重疊區域

我們定義池化視窗的大小為sizeX，即下圖中紅色正方形的邊長，定義兩個相鄰池化視窗的水平位移/豎直位移為stride。一般池化由於每一池化視窗都是不重複的，所以sizeX=stride。

2、重疊池化
重疊池化正如其名字所說的，相鄰池化視窗之間會有重疊區域，此時sizeX>stride。

3、空金字塔池化
空間金字塔池化可以把任何尺度的影象的卷積特徵轉化成相同維度，這不僅可以讓CNN處理任意尺度的影象，還能避免cropping和warping操作，導致一些資訊的丟失，具有非常重要的意義。
一般的CNN都需要輸入影象的大小是固定的，這是因為全連線層的輸入需要固定輸入維度，但在卷積操作是沒有對影象尺度有限制，所有作者提出了空間金字塔池化，先讓影象進行卷積操作，然後轉化成維度相同的特徵輸入到全連線層，這個可以把CNN擴充套件到任意大小的影象。