---

---

池化

最大池化

最大池化（Max Pooling）是卷积神经网络中常用的一种池化技术。其操作是：在输入特征图的一个局部窗口内选取最大的值作为该窗口的输出。

数学表达式如下：

考虑一个输入特征图 $A$，并定义一个大小为 $f\times f$ 的池化窗口和步长 $s$。对于输出特征图 $M$ 中的元素 $M(i,j)$，其值由以下公式确定：

$M(i,j)={\max }_{u=0}^{f-1}{\max }_{v=0}^{f-1}A(i\times s+u,j\times s+v)$

其中：

• $M(i,j)$ 是输出特征图的第 $(i,j)$ 个元素。
• $\max$ 表示最大值操作。
• $u$ 和 $v$ 都是在 $[0,f-1]$ 范围内变化的索引，它们用于遍历池化窗口内的每一个元素。
• $s$ 是步长，定义了池化窗口在输入特征图上移动的距离。
• $A(i\times s+u,j\times s+v)$ 是输入特征图 $A$ 中与输出特征图 $M(i,j)$ 对应的局部窗口的元素。

这个公式简单地描述了最大池化的操作：对于每个输出元素 $M(i,j)$，都在输入特征图 $A$ 的相应局部窗口中找到最大的值。

//最大池化
Eigen::MatrixXf Pooling::maxPoolingForward(const Eigen::MatrixXf& input,int m_poolSize,int m_stride)
{int outputHeight = (input.rows() - m_poolSize) / m_stride + 1;int outputWidth = (input.cols() - m_poolSize) / m_stride + 1;Eigen::MatrixXf output(outputHeight, outputWidth);for (int i = 0; i < outputHeight; ++i){for (int j = 0; j < outputWidth; ++j){output(i, j) = input.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).maxCoeff();}}return output;
}
//最大池化 反向
Eigen::MatrixXf Pooling::maxPoolingBackward(const Eigen::MatrixXf& input, const Eigen::MatrixXf& gradient,int m_poolSize,int m_stride)
{Eigen::MatrixXf output = Eigen::MatrixXf::Zero(input.rows(), input.cols());int outputHeight = gradient.rows();int outputWidth = gradient.cols();for (int i = 0; i < outputHeight; ++i){for (int j = 0; j < outputWidth; ++j){int row,col;input.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).maxCoeff(&row,&col);output(i * m_stride + row, j * m_stride + col) += gradient(i, j);}}return output;
}

平均池化

平均池化（Average Pooling）是卷积神经网络中另一种常用的池化技术。其操作是在输入特征图的一个局部窗口内计算所有值的平均值，然后将此平均值作为该窗口的输出。

数学表达式如下：

考虑一个输入特征图 $A$，并定义一个大小为 $f\times f$ 的池化窗口和步长 $s$。对于输出特征图 $M$ 中的元素 $M(i,j)$，其值由以下公式确定：

$M(i,j)=\frac{1}{f\times f}{\sum }_{u=0}^{f-1}{\sum }_{v=0}^{f-1}A(i\times s+u,j\times s+v)$

其中：

• $M(i,j)$ 是输出特征图的第 $(i,j)$ 个元素。
• $\sum$ 表示求和操作。
• $u$ 和 $v$ 都是在 $[0,f-1]$ 范围内变化的索引，它们用于遍历池化窗口内的每一个元素。
• $s$ 是步长，定义了池化窗口在输入特征图上移动的距离。
• $A(i\times s+u,j\times s+v)$ 是输入特征图 $A$ 中与输出特征图 $M(i,j)$ 对应的局部窗口的元素。
• $f\times f$ 是池化窗口的大小。

这个公式描述了平均池化的操作：对于每个输出元素 $M(i,j)$，都在输入特征图 $A$ 的相应局部窗口中计算所有值的平均值。

//平均池化
Eigen::MatrixXf Pooling::averagePoolingForward(const Eigen::MatrixXf& input,int m_poolSize,int m_stride)
{int outputHeight = (input.rows() - m_poolSize) / m_stride + 1;int outputWidth = (input.cols() - m_poolSize) / m_stride + 1;Eigen::MatrixXf output(outputHeight, outputWidth);for (int i = 0; i < outputHeight; ++i){for (int j = 0; j < outputWidth; ++j){output(i, j) = input.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).mean();}}return output;
}// 反向传播对于平均池化比较简单，因为只需要分摊输入梯度到相应的位置。
Eigen::MatrixXf Pooling::averagePoolingBackward(const Eigen::MatrixXf& input,const Eigen::MatrixXf& gradient,int m_poolSize,int m_stride)
{Eigen::MatrixXf output = Eigen::MatrixXf::Zero(input.rows(), input.cols());int inputHeight = gradient.rows();int inputWidth = gradient.cols();for (int i = 0; i < inputHeight; ++i){for (int j = 0; j < inputWidth; ++j){output.block(i * m_stride, j * m_stride, m_poolSize, m_poolSize).array() += gradient(i, j) / (m_poolSize * m_poolSize);}}return output;
}