9、现代神经网络：卷积神经网络与训练优化

现代神经网络：卷积神经网络与训练优化

1. 池化层

1.1 控制张量维度

通过填充（padding）和步长（stride）参数，可以控制卷积操作后得到的张量维度。池化层的超参数与卷积层类似，但没有可训练的内核，因此是控制数据维度的轻量级解决方案。

1.2 TensorFlow/Keras 方法

在 tf.nn 包中，提供了 tf.nn.max_pool() 和 tf.nn.avg_pool() 函数，其签名与 tf.nn.conv2d() 类似：
| 参数 | 说明 |
| ---- | ---- |
| value | 输入图像的批次，形状为 (B, H, W, D) ，其中 B 是批次大小 |
| ksize | 一个包含四个整数的列表，表示每个维度的窗口大小，常用 [1, k, k, 1] |
| strides | 一个包含四个整数的列表，表示批处理输入每个维度的步长 |
| padding | 一个字符串，定义使用的填充算法（ VALID 或 SAME ） |
| name | 用于标识此操作的名称 |

也可以使用更高级的 API 来简化实例化：

avg_pool = tf.keras.layers.AvgPool2D(po