深度学习中的下采样层：探索子采样技术

在深度学习中，下采样层是一种常用的技术，用于减少图像或特征图的空间分辨率。下采样有助于降低计算负荷、减少参数数量，并提高模型的鲁棒性和泛化能力。本文将详细介绍深度学习中的下采样层以及常用的子采样技术，并提供相应的源代码示例。

1. 最大池化（Max Pooling）
   最大池化是下采样中最常见的一种方法。它将输入特征图划分为不重叠的矩形区域，并从每个区域中选择最大值作为输出。这种操作有助于保留重要的特征并丢弃冗余信息。下面是一个使用最大池化的示例代码：

import torch
import torch.nn as nn

# 定义最大池化层
max_pool = nn.MaxPool2d(kernel_size=2, stride