Machine learning 卷积神经网络（CNN）中特征映射的缩小

我正在读一篇关于CNN的论文，但我不明白这句话。我们没有使用最大池层来减小特征图的大小，而是使用卷积层来加快步伐。

---

我不知道这如何取代我所缺少的最大池？

天真地说，CNN的过滤器通过在每个可能的位置上移动过滤器矩阵（如下图所示，为简单起见，为3x3x1）来工作。这意味着您每次向右移动一个过滤器，当行准备就绪时，您可以来回移动

在以下gif中，原始图像为虚线，过滤器为灰色，结果为绿色图像：

---

但是，您也可以每次移动2。这与简单地对结果进行二次采样是一样的。如果以2的步幅移动，则将要素地图尺寸除以2（两者）。这意味着您的要素地图只有原始大小的1/4。这与池减少要素映射大小的方式完全相同。事实上，卷积滤波器可以学习平均和最大池。

你知道步幅是什么吗？当我们使用stride=1和stride=2时会发生什么？不，我知道，但这将如何取代最大池？这将如何减少要素地图的大小？或者“按层增加步幅”的含义是什么？好的，但卷积滤波器的含义是什么？AhmedMohamed max pooling有点复杂，但平均池很简单：如果3x3x1滤波器的所有权重都设置为1/9，并且激活函数是标识，那么这就是平均池。