最大池化和平均池化层

### Max Pooling 和 Average Pooling 层的区别

Max Pooling 和 Average Pooling 是卷积神经网络(CNNs)中常用的两种池化操作，用于减少特征图的空间尺寸并提取重要特征。

#### 特征捕捉方式不同

- **Max Pooling**：选取窗口内的最大值作为输出。这种方式能够保留最显著的特征，在图像处理领域有助于保持边缘和其他高对比度区域的信息[^2]。

- **Average Pooling**：计算窗口内所有元素的均值来表示该区域。相比而言，这种方法可以平滑数据，对于噪声有一定的抑制作用。

import numpy as np

def max_pooling(input_data, pool_size=(2, 2)):
    h_out = input_data.shape[0] // pool_size[0]
    w_out = input_data.shape[1] // pool_size[1]
    output = np.zeros((h_out, w_out))
    
    for i in range(h_out):
        for j in range(w_out):
            patch = input_data[i*pool_size[0]:(i+1)*pool_size[0],
                               j*pool_size[1]:(j+1)*pool_size[1]]
            output[i,j] = np.max(patch)
            
    return output


def avg_pooling(input_data, pool_size=(2, 2)):
    h_out = input_data.shape[0] // pool_size[0]
    w_out = input_data.shape[1] // pool_size[1]
    output = np.zeros((h_out, w_out))

    for i in range(h_out):
        for j in range(w_out):
            patch = input_data[i*pool_size[0]:(i+1)*pool_size[0],
                               j*pool_size[1]:(j+1)*pool_size[1]]
            output[i,j] = np.mean(patch)

    return output

#### 应用场景差异

- 当目标是对物体位置敏感的任务时（比如检测），通常更倾向于采用max pooling因为其能更好地定位关键部位；而当任务涉及纹理分析或需要降低噪音影响，则average pooling可能更为合适[^4]。