¿Para qué sirve una capa de pooling?

La capa de pooling en redes neuronales se utiliza para reducir la dimensionalidad de los datos de entrada, lo que ayuda a disminuir la carga computacional y reducir la cantidad de parámetros del modelo. También favorece la identificación de las características más importantes, aumentando la robustez del modelo frente a desplazamientos y distorsiones en los datos de entrada.

Los tipos de pooling más comunes:

• Max pooling — selecciona el valor máximo en una región.
• Average pooling — calcula el valor medio.

Ejemplo de max pooling con tamaño de ventana 2x2 y paso 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)

El resultado contendrá los máximos de cada bloque 2x2, reduciendo la dimensión de 4x4 a 2x2.