Subsampling也可以叫做Pooling Layer，是CNN在做圖像分析時一個非常重要的步驟。 Subsampling的好處有以下兩點 1.模型參數減少但仍能保留重要的特徵 我們知道當電腦要辨識一張圖時會把圖像轉成矩陣的形式，當模型學習的參數越多，模型也會更容易產生overfitting的現象，所以我們會希望模型可以減少一些參數但又不能刪減到重要的特徵，這時候 Subsampling就可以起到很大的作用 2.保持參數間的不變性 什麼是不變性呢？就是圖片再經過Subsampling之後會成為一個較小的圖片，但不會因為圖片變小了就失去了原圖的樣貌 那Subsampling要如何使用呢？ 目前常見的方法有三種 1.Max pooling 2.Mean pooling 3.Min pooling 下面將為三個方法做詳細的解釋 Max pooling 假設現在我們有個4X4的矩陣，那我們希望透過Subsampling將其轉換成2X2的矩陣 一開始我們會先把4X4的矩陣分割成4個2X2的矩陣 Max pooling顧名思義就是將4個2X2的矩陣中數值最大的提出來當成新矩陣的數值 Mean pooling 我們以一個新的4X4矩陣為例子，一樣是切成4個2X2的矩陣 Mean pooling也不難懂，就是從4個2X2的矩陣取出各矩陣中的平均數做為新矩陣的數值 Min pooling Min pooling通常比較少會被使用到，因為相對比較無法體現出圖片的重要特徵，只有希望對圖片達到比較特別的效果時才會使用到，那Min pooling的方式就是把矩陣中最小的數值提取出來成為一個新的矩陣 那Max pooling 、Mean pooling 、 Min pooling 要怎麼選擇呢？ 通常這會取決於你想讓圖片最後呈現什麼效果而決定 我們以下圖為例 這是一張鳶尾花的照片，我們可以看到根據三種pooling方法得到的效果都有所不同 Max pooling讓照片呈現較亮、鮮豔的效果 Mean pooling讓照片呈現較平滑的效果 Min pooling讓照片呈現較暗沈的效果