說(shuō)到Pooling，相信學(xué)習(xí)過(guò)CNN的朋友們都不會(huì)感到陌生。Pooling在中文當(dāng)中的意思是“池化”，在神經(jīng)網(wǎng)絡(luò)當(dāng)中非常常見(jiàn)，通常用的比較多的一種是Max Pooling，具體操作如下圖：

??結(jié)合圖像理解，相信你也會(huì)大概明白其中的本意。不過(guò)Pooling并不是只可以選取2x2的窗口大小，即便是3x3，5x5等等沒(méi)問(wèn)題，步長(zhǎng)（Stride）也是一個(gè)道理。除了在神經(jīng)網(wǎng)絡(luò)方面，Pooling為圖片打馬賽克也是可以取得不錯(cuò)的效果，結(jié)合幾個(gè)例子看看。

??我們可以用Max Pooling先看看效果如何：

??Min Pooling和Average Pooling的操作也差不多，只不過(guò)把對(duì)應(yīng)的操作函數(shù)變了而已。

??Min Pooling：

??小動(dòng)物的皮膚顏色都換了，再看看Average Pooling：

??綜上來(lái)看，Average Pooling似乎更加逼真一些，不過(guò)換一張圖片可能效果就不一樣了。

??以下是Pooling操作的代碼：

import cv2
import numpy as np


def average_pooling(img, G=5):
    out = img.copy()

    H, W, C = img.shape
    Nh = H // G
    Nw = W // G

    for y in range(Nh):
        for x in range(Nw):
            for c in range(C):
                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64)

    return out

def max_pooling(img, G=5):
    out = img.copy()

    H, W, C = img.shape
    Nh = H // G
    Nw = W // G

    for y in range(Nh):
        for x in range(Nw):
            for c in range(C):
                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.max(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64)

    return out

def min_pooling(img, G=5):
    out = img.copy()

    H, W, C = img.shape
    Nh = H // G
    Nw = W // G

    for y in range(Nh):
        for x in range(Nw):
            for c in range(C):
                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.min(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int64)

    return out

??由于是多顏色通道的圖片，所以記得別漏了這個(gè)參數(shù)。