多维池化（Pooling）的一些问题

多维池化在卷积神经网络中很常见。池化常用来缩减模型大小、提升计算速度，同时提高所提取特征的鲁棒性（Robust，意思与健壮性相近，具体可自行百度）。

池化的最常用的一种是最大池化，本文以最大池化为例。最大池化（而不是最小池化或其他）的一个原因是矩阵的某一位置的数字越大，代表提取了某些特定的特征。

如图所示。池化操作有两个超参：步长（stride）和过滤器维度。常用的超参组合是步长为2，过滤器维度为（2x2）。这样设置的结果是输入的高度和宽度减少为原来的一半。

多维池化操作的重点是，输入图的n个通道是分别进行池化操作，再叠加到一起作为输出的。因为每一个channel都是一个需要学习的特征。