Ποιος είναι ο σκοπός ενός επιπέδου pooling;

Η στρώση pooling σε νευρωνικά δίκτυα χρησιμοποιείται για τη μείωση της διαστατικότητας των εισερχόμενων δεδομένων, βοηθώντας στη μείωση του υπολογιστικού φόρτου και στη μείωση του αριθμού των παραμέτρων του μοντέλου. Προάγει επίσης την ανάδειξη των πιο σημαντικών χαρακτηριστικών, αυξάνοντας την ανθεκτικότητα του μοντέλου σε μετατοπίσεις και παραμορφώσεις των εισερχόμενων δεδομένων.

Οι πιο συνηθισμένοι τύποι pooling:

• Max pooling — επιλέγει την μέγιστη τιμή σε μια περιοχή.
• Average pooling — υπολογίζει τη μέση τιμή.

Παράδειγμα max pooling με μέγεθος παραθύρου 2x2 και βήμα 2:

import torch
import torch.nn as nn

input_tensor = torch.tensor([[[[1, 2, 3, 4],
                               [5, 6, 7, 8],
                               [9, 10, 11, 12],
                               [13, 14, 15, 16]]]], dtype=torch.float32)

pool = nn.MaxPool2d(kernel_size=2, stride=2)
output = pool(input_tensor)
print(output)

Το αποτέλεσμα θα περιέχει τα μέγιστα από κάθε μπλοκ 2x2, μειώνοντας το μέγεθος από 4x4 σε 2x2.