写这个笔记的时候，忽闻金庸去世，“飞雪连天射白鹿，笑书神侠倚碧鸳”纪念大侠的归去，也纪念我那失去的青春。
-
一、池化操作
1、池化的目的：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。
2、对池化的理解：池化可以理解为一种采样，获取图像的概要统计特征。就好像在太空上俯瞰地球，看到的只有山脊和雪峰。这即是对特征进行宏观上的进一步抽象。 经过池化后，得到的是 概要统计特征 。它们不仅 具有低得多的维度 (相比使用所有提取得到的特征)，同时还会 改善结果(不容易过拟合) 。
max_pooling： 夜晚的地球俯瞰图，灯光耀眼的穿透性让人们只注意到最max的部分，产生亮光区域被放大的视觉错觉。故而 max_pooling 对较抽象一点的特征（如纹理）提取更好。
average_pooling： 白天的地球俯瞰图，幅员辽阔的地球表面，仿佛被经过了二次插值的缩小，所有看到的都是像素点取平均的结果。故而 average_pooling 对较形象的特征（如背景信息）保留更好。
另一种理解：
池化=涨水
卷积的目的是为了得到物体的边缘形状
可以想象水要了解山立体的形状
水位低时得出山脚的形状
水位中等时得出山腰的形状
水位高时得出山顶的形状
三点就可以大致描出山的简笔画
池化的过程=升高水位(扩大矩阵网格)
卷积的过程是区分哪里是水，哪里是山3、具体操作模型
参考：
https://blog.csdn.net/app_12062011/article/details/57075538
https://blog.csdn.net/kebu12345678/article/details/54923118?utm_source=blogxgwz0
4、常用池化函数
tf.nn.max_pool(value, ksize, strides, padding, name=None)
参数是四个，和卷积很类似：第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape
第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，因为我们不想在batch和channels上做池化，所以这两个维度设为了1
第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步长，一般也是[1, stride,stride, 1]
第四个参数padding：和卷积类似，可以取’VALID’ 或者’SAME’
返回一个Tensor，类型不变，shape仍然是[batch, height, width, channels]这种形式
-
二、激活函数
1、激活的目的：1）克服梯度消失的问题;2）加快训练速度
2、激活函数的原理：激活函数又称为线性整流函数（Rectified Linear Unit, ReLU），或者修正线性单元。就是将输入小于0的值幅值为0，输入大于0的值不变。
3、函数代码测试结果如下：import tensorflow as tf
a = tf.constant([-1.0, 2.0,-3.6])
with tf.Session() as sess:
b = tf.nn.relu(a)
print(sess.run(b))测试结果为：
[0. 2. 0.]
参考文献：https://blog.csdn.net/JNingWei/article/details/78833319